CN107088061A - 一种基于Shewhart控制图的HRV在线分析系统及其方法 - Google Patents
一种基于Shewhart控制图的HRV在线分析系统及其方法 Download PDFInfo
- Publication number
- CN107088061A CN107088061A CN201710306780.6A CN201710306780A CN107088061A CN 107088061 A CN107088061 A CN 107088061A CN 201710306780 A CN201710306780 A CN 201710306780A CN 107088061 A CN107088061 A CN 107088061A
- Authority
- CN
- China
- Prior art keywords
- control
- data
- unit
- hrv
- interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
- A61B5/02455—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals provided with high/low alarm devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于Shewhart控制图的HRV在线分析系统及其方法。该系统包括括数据预处理单元、控制图制作单元、统计量计算单元、控制图监控单元、报警单元和存储与显示处理单元。由于采用上述技术方案,本发明的方法基于统计过程理论,依据个体心率数据,统计得出个性化控制图的合理控制限,排除了固有误差的干扰,科学地监测R‑R间期统计量,准确地识别检测出心律失常状态,并实现心律失常在线报警和事件记录。该HRV在线分析方法不仅可以实现心律失常的实时检测,同时为进一步为疾病、精神、体力等HRV评估打下数据基础,对于在线检测、智慧医疗等产业具有广阔的应用前景。
Description
技术领域
本发明涉及一种基于Shewhart控制图的HRV在线分析系统及其方法。
技术背景
心率是生物节律之一,是人类生命活动正常运行的重要基础,一旦遭到破坏,会对机体带来不利的影响。瞬时心率是实时波动的,但瞬时心率的正常波动范围总是有限的,过大或过小常常为心律失常。心律失常的衡量指标为连续的两个窦性心拍之间的时间间隔的微小差异,称为心率变异性(Heart Rate Variability,HRV)。HRV可反映自主神经系统活性和定量评估心脏交感神经与迷走神经张力及其平衡性,从而判断其对心血管疾病的病情及预防,是预测心脏性猝死和心律失常性事件的一个有价值的指标。HRV的研究范围已经扩展到心肌梗死的诊断、心衰的诊断,精神疲劳的检测和评估、情绪的识别、疼痛的评估,以及体力与脑力负荷的评估等诸多领域。
HRV在实际工作中是根据测量逐拍R-R间期来反映心率变化程度的。HRV的分析方法为:通过心电图(electrocardiogram,ECG)获得R-R间期(相邻两个R波间隔时间)序列,利用时域分析、频域分析和非线性分析三大类方法及其相应指标,对R-R间期序列进行HRV评价分析。其中,时域分析法通过计算出R-R间期相关的一些统计学指标来评价HRV的临床价值,常用的评价指标有(R-R间期均值)、SDNN(R-R间期标准差)、RMSSD(相邻两个R-R间期差值的均方根)、NN50(差值大于50ms的相邻R-R间期对的个数)等;频域分析法首先将非均匀采样的RR间期序列通过三次样条插值重采样到均匀采样的HRV时间序列,通过Welch周期图法和Burg自回归模型法计算得出HRV时间序列功率谱密度,进一步评价HRV;非线性分析法通过Poincare散点图、去趋势波动分析(Detrended Fluctuation Analysis,DFA)、递归图分析(Recurrence Plot Analysis,RPA),以及近似熵、样本熵和关联维等非线性分析方法,对HRV进行分析评价。
心律失常大多导致瞬时心率异常,反映在时域心率图上,则往往是一些孤立点。心率图上相邻且成对的“一大一小”或“一小一大”心率往往是由某一个心搏定位错误或心律失常造成的:心率较高的孤立点既可能是心搏多检的结果,也可能是心律失常造成的;而心率较低的孤立点则多由期前收缩后的代偿间期或心拍漏检造成。因此,科学合理地监测HRV,对心律异常识别具有重要意义。时域分析法采用统计学方法,通过设置R-R间期统计学指标的检测阈值,判断是否超限,对“非正常心拍”与“正常心拍”进行分类,实现心律异常的识别检测。阈值过大,则错阳检率较低,但漏检率较高;阈值较小,则漏检率较低,但错阳检率较高。目前的心律失常检测方法中,检测阈值一般根据实际数据经验得出粗略范围,存在两个弊端:一是检测阈值没有通过科学的统计计算得到精确的具体值,可能导致阈值选取不当,影响心律失常漏检或错检;二是检测阈值的确定没有考虑个体差异性,针对不同个体可能得到不适当检测结果。此外,目前的HRV分析方法大多是离线数据的评价分析,不能实现心律失常的实时在线检测,对于近年来兴起的物联网平台、大数据服务等智慧医疗产业,应用前景具有较大局限性。
发明内容
为了解决上述问题,本发明的目的是提供一种针对个体特性实现准确检测心律失常,并进行实时报警,为智慧医疗行业提供技术实现手段,具有广阔的应用前景的基于Shewhart控制图的HRV在线分析系统及其方法。
本发明的技术方案是:一种基于Shewhart控制图的HRV在线分析系统,该系统包括括数据预处理单元、控制图制作单元、统计量计算单元、控制图监控单元、报警单元和存储与显示处理单元,
其中,所述数据预处理单元,用于实时采集的心率数据输入数据预处理单元,该单元对数据进行去燥、选择、转换等数据预处理,得出R-R间期序列数据,并送至统计量计算单元;
所述制图制作单元,用于根据正常心率历史数据输入控制图制作单元,经过统计分析计算得出控制图的控制限参数CL、UCL和LCL,并送至控制图监控单元,为监控过程提供判断依据;
所述统计量计算单元,用于将得到的R-R实时数据进行数据集中、子组划分、数学计算统计处理,得出R-R数据的统计量和s,并送至控制图监控单元,为监控过程提供被监控数据;
所述控制图监控单元,用于根据失控判定准则,分别将和s统计量与控制限进行逻辑比较,将监控结果送至报警单元;
所述报警单元,用于根据控制图监控结果,进一步生成事件数据;
所述存储与显示单元,用于收集来自统计量计算单元的数据和s、来自控制图监控单元的控制图数据(控制限参数、监控结果等)以及来自报警单元的事件数据,存储全部数据,并在显示屏上显示和查看控制图监控状态、报警信息、历史数据、历史事件。
本发明的另一目的是提供上述基于Shewhart控制图的HRV在线分析系统的分析方法,具体包括以下步骤:
步骤1:对个体进行心率监测,通过数据预处理单元将得到的心率数据实时转换成R-R间期序列,以n个R-R间期组成一个子组,实时计算得出子组均值和子组标准差s;
步骤2:根据步骤1得到和s分别进行控制图监控,根据控制图失控判定准则实时判断和s是否失常;
步骤3:根据步骤2的结果控制图判定当前过程失控,则说明R-R间期均值失常;如果s控制图判定当前过程失控,则说明R-R间期标准差失常,将两者进行逻辑判断,如果两种失控状态同时发生,则判定为二级心律失常,如果两种失控状态同时刻只有一种发生,则判定为一级心律失常;
步骤4:确认发生个体心律失常发生后,实时发出警报,并记录当前警报的心律失常等级、失控统计量类型(包括失控控制图类型和失控判定准则类型)以及发生时间,实现HRV在线分析与事件记录。
进一步,所述步骤2中的失控判定准则如下:
1)1点超出上控制限,
2)1点低于下控制限,
3)连续9点落在中心线上侧,
4)连续9点落在中心线下侧,
5)连续6点递增,
6)连续6点递减。
本发明的有益效果是:由于采用上述技术方案,本发明的方法基于统计过程理论,依据个体心率数据,统计得出个性化控制图的合理控制限,排除了固有误差的干扰,科学地监测R-R间期统计量,准确地识别检测出心律失常状态,并实现心律失常在线报警和事件记录。该HRV在线分析方法不仅可以实现心律失常的实时检测,同时为进一步为疾病、精神、体力等HRV评估打下数据基础,对于在线检测、智慧医疗等产业具有广阔的应用前景。
附图说明
图1为本发明一种基于Shewhart控制图的HRV在线分析系统的逻辑框图。
图2为本发明一种基于Shewhart控制图的HRV在线分析方法的逻辑框图。
图3为本发明的实施例中的个性化控制图的生成的逻辑框图。
图4为本发明具体实施例的HRV在线监控的Shewhart控制图样图。
具体实施方式
下面结合具体实施例和附图对本发明的技术方案做进一步说明。
如图1所示,本发明一种基于Shewhart控制图的HRV在线分析系统,该系统包括括数据预处理单元、控制图制作单元、统计量计算单元、控制图监控单元、报警单元和存储与显示处理单元,
其中,所述数据预处理单元,用于实时采集的心率数据输入数据预处理单元,该单元对数据进行去燥、选择、转换等数据预处理,得出R-R间期序列数据,并送至统计量计算单元;
所述制图制作单元,用于根据正常心率历史数据输入控制图制作单元,经过统计分析计算得出控制图的控制限参数CL、UCL和LCL,并送至控制图监控单元,为监控过程提供判断依据;
所述统计量计算单元,用于将得到的R-R实时数据进行数据集中、子组划分、数学计算统计处理,得出R-R数据的统计量和s,并送至控制图监控单元,为监控过程提供被监控数据;
所述控制图监控单元,用于根据失控判定准则,分别将和s统计量与控制限进行逻辑比较,将监控结果送至报警单元;
所述报警单元,用于根据控制图监控结果,进一步生成事件数据;
所述存储与显示单元,用于收集来自统计量计算单元的数据和s、来自控制图监控单元的控制图数据(控制限参数、监控结果等)以及来自报警单元的事件数据,存储全部数据,并在显示屏上显示和查看控制图监控状态、报警信息、历史数据、历史事件。
如图2-图3所示,本发明基于Shewhart控制图的HRV在线分析系统的分析方法,具体包括以下步骤:
步骤1:对个体进行心率监测,通过数据预处理单元将得到的心率数据实时转换成R-R间期序列,以n个R-R间期组成一个子组,实时计算得出子组均值和子组标准差s;
步骤2:根据步骤1得到和s分别进行控制图监控,根据控制图失控判定准则实时判断和s是否失常;
步骤3:根据步骤2的结果控制图判定当前过程失控,则说明R-R间期均值失常;如果s控制图判定当前过程失控,则说明R-R间期标准差失常,将两者进行逻辑判断,如果两种失控状态同时发生,则判定为二级心律失常,如果两种失控状态同时刻只有一种发生,则判定为一级心律失常;
步骤4:确认发生个体心律失常发生后,实时发出警报,并记录当前警报的心律失常等级、失控统计量类型(包括失控控制图类型和失控判定准则类型)以及发生时间,实现HRV在线分析与事件记录。
所述步骤2中的失控判定准则如下:
1)1点超出上控制限,
2)1点低于下控制限,
3)连续9点落在中心线上侧,
4)连续9点落在中心线下侧,
5)连续6点递增,
6)连续6点递减。
如图3所示,本发明针对被测对象的个性特征,制定Shewhart控制图,用于监控心率特征R-R间期序列,分析HRV,识别检测心律失常。个性化控制图的制定步骤如下:
步骤1.保持被测健康个体处于平静状态,呼吸均匀,测量心率10分钟,得到心律正常状态下的心率数据,用于控制图统计参数计算和控制限确定;
步骤2.利用固定阈值法、可变值阈值法、模板匹配法、基于图像识别法、小波变换法等方法提取心率数据的R波,将心率数据转换为R-R间期序列。
步骤3.定义子组样本大小n(一般取n=10),将R-R间期序列划分为m个大小为n的子组样本。
步骤4.根据心律正常时的R-R间期子组样本计算得出μ、等统计参数,根据n值查表(见国标GB-T4091-2001中表2)得出参数c4。
步骤5.依据心律正常样本数据得到的μ、c4,由公式(1)、(2)分别计算出图和s图的控制限CL、UCL和LCL,该被测对象的个性化Shewhart控制图制定完成。
R-R间期是指ECG相邻两次心跳中R波峰的距离时间,反映的是相邻心跳的时间间隔。R-R间期序列由一段时间内的R-R间期数据顺序组成,反映了R-R间期随时间变化的趋势。在实际的ECG诊断中,瞬时心率受到个体差异、仪器精度、计算约简、测量方法等固有误差影响,心律正常时R-R间期序列会在一定范围内随机波动;同时瞬时心率受到心衰、精神疲劳、情绪、疼痛、以及体力与脑力负荷等可识别因素影响,造成R-R间期序列的异常波动,出现心律失常。可见,R-R间期序列应当由统计方法进行处理,实现对心律失常科学准确的识别。
Shewhart控制图是一种将显著性统计原理应用于指标监控过程的图形方法,由Walter Shewhart于1924年首先提出。控制图理论认为指标变化过程存在两种变异。第一种变异为由“偶然原因”造成的随机变异,变异量称为固有变差,如心律正常时R-R间期序列的随机波动。第二种变异为“可查明原因”造成的过程实际变异,变异量称为特殊变差,如心律失常时R-R间期序列的异常波动。Shewhart控制图通过图形方法,利用从可重复过程所得到的数据,给出表征过程当前状态的样本序列的信息,并将这些信息与考虑了过程固有变差后所建立的控制限进行对比,可检测出实际发生的特殊变差。因此,采用Shewhart控制图监控R-R间期序列,实现心律失常的识别和检测。
从统计角度看,心律正常时R-R间期序列满足正态分布,即X~N(μ,σ2),X为R-R间期序列,μ为R-R间期均值σ为R-R间期标准差SDNN。将X等分为m个大小为n的子组样本,设X1,X2,…Xn是其中一个子组样本,子组均值为子组标准差为则有分别可得控制图的控制限如下。
控制图:
s控制图:
其中,c4为与n有个的常数,CL为中心线,UCL为控制上限,LCL为控制下限,n为采样子组大小,m为子组数量。
表2计量控制图计算控制线的系数表
实施例:
根据某一健康个体平静状态下的心律数据制定控制图,其控制图参数为:n=10,图CL=1.6932、UCL=1.7209、LCL=1.6654,s图CL=0.0284、UCL=0.0488、LCL=0.0081。连续采集该个体的心率数据,利用所得控制图对该个体进行HRV监测,如图4,图和s图中每个监测点分别代表1个子组(10个R-R间期数据)的均值和标准差,共监测35个子组点(350个R-R间期数据,约5分钟)。由图4可知,根据失控判定准则1,判定第2、11、21、23、35子组点图失控,系统发出一级心律失常报警并记录;根据失控判定准则2,判定第28、29、31子组点图失控,系统发出一级心律失常报警并记录;根据根据失控判定准则2和1,分别判定第32子组点图和s图同时失控,系统发出二级心律失常报警并记录。发生的心律失常报警可进一步为识别心衰、精神疲劳、情绪、疼痛、以及体力与脑力负荷等因素提供指导帮助。
Claims (4)
1.一种基于Shewhart控制图的HRV在线分析系统,其特征在于,该系统包括括数据预处理单元、控制图制作单元、统计量计算单元、控制图监控单元、报警单元和存储与显示处理单元;
其中,所述数据预处理单元,用于实时采集的心率数据输入数据预处理单元,该单元对数据进行去燥、选择、转换等数据预处理,得出R-R间期序列数据,并送至统计量计算单元;
所述制图制作单元,用于根据正常心率历史数据输入控制图制作单元,经过统计分析计算得出-s控制图的控制限参数CL、UCL和LCL,并送至控制图监控单元,为监控过程提供判断依据;
所述统计量计算单元,用于将得到的R-R实时数据进行数据集中、子组划分、数学计算统计处理,得出R-R数据的统计量和s,并送至控制图监控单元,为监控过程提供被监控数据;
所述控制图监控单元,用于根据失控判定准则,分别将和s统计量与控制限进行逻辑比较,将监控结果送至报警单元;
所述报警单元,用于根据控制图监控结果,进一步生成事件数据;
所述存储与显示单元,用于收集来自统计量计算单元的数据和s、来自控制图监控单元的控制图数据以及来自报警单元的事件数据,存储全部数据,并在显示屏上显示和查看控制图监控状态、报警信息、历史数据、历史事件。
2.一种基于Shewhart控制图的HRV在线分析系统的分析方法,具体包括以下步骤:
步骤1:对个体进行心率监测,通过数据预处理单元将得到的心率数据实时转换成R-R间期序列,以n个R-R间期组成一个子组,实时计算得出子组均值和子组标准差s;
步骤2:根据步骤1得到和s分别进行-s控制图监控,根据控制图失控判定准则实时判断和s是否失常;
步骤3:根据步骤2的结果控制图判定当前过程失控,则说明R-R间期均值失常;如果s控制图判定当前过程失控,则说明R-R间期标准差失常,将两者进行逻辑判断,如果两种失控状态同时发生,则判定为二级心律失常,如果两种失控状态同时刻只有一种发生,则判定为一级心律失常;
步骤4:确认发生个体心律失常发生后,实时发出警报,并记录当前警报的心律失常等级、失控统计量类型,包括失控控制图类型和失控判定准则类型以及发生时间,实现HRV在线分析与事件记录。
3.根据权利要求2所述的方法,其特征在于,所述步骤1的具体步骤为
步骤1.首先保持被测健康个体处于平静状态,呼吸均匀,测量心率10分钟,得到心律正常状态下的心率数据,用于控制图统计参数计算和控制限确定;
步骤2.利用固定阈值法、可变值阈值法、模板匹配法、基于图像识别法、小波变换法提取心率数据的R波,将心率数据转换为R-R间期序列;
步骤3.定义子组样本大小n,n=10,将R-R间期序列划分为m个大小为n的子组样本。
步骤4.根据心律正常时的R-R间期子组样本计算得出μ、等统计参数,根据n值查表(见国标GB-T4091-2001)得出参数c4;
步骤5.依据心律正常样本数据得到的μ、c4,计算出图和s图的控制限CL、UCL和LCL,该被测对象的个性化Shewhart-s控制图制定完成。
4.根据权利要求2所述的方法,其特征在于,所述步骤2中的失控判定准则如下:
1)1点超出上控制限,
2)1点低于下控制限,
3)连续9点落在中心线上侧,
4)连续9点落在中心线下侧,
5)连续6点递增,
6)连续6点递减。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710306780.6A CN107088061A (zh) | 2017-05-04 | 2017-05-04 | 一种基于Shewhart控制图的HRV在线分析系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710306780.6A CN107088061A (zh) | 2017-05-04 | 2017-05-04 | 一种基于Shewhart控制图的HRV在线分析系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107088061A true CN107088061A (zh) | 2017-08-25 |
Family
ID=59638770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710306780.6A Pending CN107088061A (zh) | 2017-05-04 | 2017-05-04 | 一种基于Shewhart控制图的HRV在线分析系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107088061A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164351A (zh) * | 2018-09-03 | 2019-01-08 | 北京许继电气有限公司 | 基于时间序列的物联网设备监测数据分析方法和系统 |
CN110794787A (zh) * | 2019-11-18 | 2020-02-14 | 马鞍山钢铁股份有限公司 | 一种适合多品种混合生产的spc方法 |
CN111597398A (zh) * | 2020-05-14 | 2020-08-28 | 易思维(杭州)科技有限公司 | 基于流式测量数据的尼尔森规则判异系统和方法 |
CN113505497A (zh) * | 2021-08-18 | 2021-10-15 | 山东建筑大学 | 湿法烟气脱硫吸收塔浆液品质监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5199439A (en) * | 1990-01-16 | 1993-04-06 | Stanley Zimmerman | Medical statistical analyzing method |
US5941820A (en) * | 1994-01-03 | 1999-08-24 | Zimmerman; Steven | Medical data display method |
US6190313B1 (en) * | 1998-04-20 | 2001-02-20 | Allen J. Hinkle | Interactive health care system and method |
CN104127194A (zh) * | 2014-07-14 | 2014-11-05 | 华南理工大学 | 一种基于心率变异性分析方法的抑郁症的评估系统及方法 |
CN105023392A (zh) * | 2015-08-22 | 2015-11-04 | 巫济辉 | 一种带生命报警功能的智能手环及其系统 |
CN106551691A (zh) * | 2016-12-02 | 2017-04-05 | 清华大学 | 一种心率变异性分析方法、装置及用途 |
-
2017
- 2017-05-04 CN CN201710306780.6A patent/CN107088061A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5199439A (en) * | 1990-01-16 | 1993-04-06 | Stanley Zimmerman | Medical statistical analyzing method |
US5941820A (en) * | 1994-01-03 | 1999-08-24 | Zimmerman; Steven | Medical data display method |
US6190313B1 (en) * | 1998-04-20 | 2001-02-20 | Allen J. Hinkle | Interactive health care system and method |
CN104127194A (zh) * | 2014-07-14 | 2014-11-05 | 华南理工大学 | 一种基于心率变异性分析方法的抑郁症的评估系统及方法 |
CN105023392A (zh) * | 2015-08-22 | 2015-11-04 | 巫济辉 | 一种带生命报警功能的智能手环及其系统 |
CN106551691A (zh) * | 2016-12-02 | 2017-04-05 | 清华大学 | 一种心率变异性分析方法、装置及用途 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164351A (zh) * | 2018-09-03 | 2019-01-08 | 北京许继电气有限公司 | 基于时间序列的物联网设备监测数据分析方法和系统 |
CN110794787A (zh) * | 2019-11-18 | 2020-02-14 | 马鞍山钢铁股份有限公司 | 一种适合多品种混合生产的spc方法 |
CN110794787B (zh) * | 2019-11-18 | 2022-08-26 | 马鞍山钢铁股份有限公司 | 一种适合多品种混合生产的spc方法 |
CN111597398A (zh) * | 2020-05-14 | 2020-08-28 | 易思维(杭州)科技有限公司 | 基于流式测量数据的尼尔森规则判异系统和方法 |
CN111597398B (zh) * | 2020-05-14 | 2023-09-08 | 易思维(杭州)科技有限公司 | 基于流式测量数据的尼尔森规则判异系统和方法 |
CN113505497A (zh) * | 2021-08-18 | 2021-10-15 | 山东建筑大学 | 湿法烟气脱硫吸收塔浆液品质监测方法及系统 |
CN113505497B (zh) * | 2021-08-18 | 2023-05-12 | 山东建筑大学 | 湿法烟气脱硫吸收塔浆液品质监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Acharya et al. | Comprehensive analysis of cardiac health using heart rate signals | |
US9042973B2 (en) | Apparatus and method for measuring physiological signal quality | |
CN107088061A (zh) | 一种基于Shewhart控制图的HRV在线分析系统及其方法 | |
US20120173470A1 (en) | Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients | |
Venkataramanaiah et al. | ECG signal processing and KNN classifier-based abnormality detection by VH-doctor for remote cardiac healthcare monitoring | |
Sridhar et al. | Automated diagnosis of Coronary Artery Disease using nonlinear features extracted from ECG signals | |
Diker et al. | A diagnostic model for identification of myocardial infarction from electrocardiography signals | |
Kim et al. | Arrhythmia detection model using modified DenseNet for comprehensible Grad-CAM visualization | |
Begum et al. | Mental state monitoring system for the professional drivers based on Heart Rate Variability analysis and Case-Based Reasoning | |
JP6344912B2 (ja) | てんかん性発作兆候検知装置、てんかん性発作兆候検知モデル生成装置、てんかん性発作兆候検知方法、てんかん性発作兆候検知モデル生成方法、てんかん性発作兆候検知プログラムおよびてんかん性発作兆候検知モデル生成プログラム | |
CA3021522A1 (en) | Systems and methods for characterization of seizures | |
Safarbali et al. | Nonlinear dynamic approaches to identify atrial fibrillation progression based on topological methods | |
CN113288168A (zh) | 一种智能可穿戴疲劳监测及预警系统 | |
Lim et al. | Artificial intelligence classification methods of atrial fibrillation with implementation technology | |
CN108523873B (zh) | 基于分数阶傅里叶变换和信息熵的心电信号特征提取方法 | |
Yayık et al. | Regularized HessELM and inclined entropy measurement for congestive heart failure prediction | |
Kelwade et al. | Prediction of heart abnormalities using particle swarm optimization in radial basis function neural network | |
Chua et al. | Computer-based analysis of cardiac state using entropies, recurrence plots and Poincare geometry | |
CN117807551B (zh) | 基于智能戒指的心率异常捕获方法及系统 | |
Gospodinova et al. | Automatic analysis of ECG signals based on their fractal and multifractal properties | |
Shahnawaz et al. | An Effective Deep Learning Model for Automated Detection of Myocardial Infarction Based on Ultrashort‐Term Heart Rate Variability Analysis | |
Asl et al. | An adaptive backpropagation neural network for arrhythmia classification using RR interval signal | |
Celin et al. | A novel method for ECG classification using polynomial based curve fitting | |
Kelwade et al. | Comparative study of neural networks for prediction of cardiac arrhythmias | |
Sokol et al. | Improved graphical analysis of atrial fibrillation based on Holter measurement data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170825 |