CN107440687B - 一种疼痛等级评估方法及采用其的疼痛等级评估装置 - Google Patents

一种疼痛等级评估方法及采用其的疼痛等级评估装置 Download PDF

Info

Publication number
CN107440687B
CN107440687B CN201710675405.9A CN201710675405A CN107440687B CN 107440687 B CN107440687 B CN 107440687B CN 201710675405 A CN201710675405 A CN 201710675405A CN 107440687 B CN107440687 B CN 107440687B
Authority
CN
China
Prior art keywords
pain
frequency coefficient
signal
low
frequency
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.)
Active
Application number
CN201710675405.9A
Other languages
English (en)
Other versions
CN107440687A (zh
Inventor
李慧慧
王磊
周芳
杜文静
陈文敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201710675405.9A priority Critical patent/CN107440687B/zh
Publication of CN107440687A publication Critical patent/CN107440687A/zh
Application granted granted Critical
Publication of CN107440687B publication Critical patent/CN107440687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4824—Touch or pain perception evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms

Abstract

本发明公开了的疼痛等级评估方法，通过对表面肌电信号进行优化分解处理，并从其中包含主要特征信息的低频部分提取相应的信号特征值，避免了高频部分的噪声对信号特征值的干扰，使得信号特征值与客观疼痛等级的相关性更为密切且准确，有效的提升了通过表面肌电信号获取客观疼痛等级的准确性和灵敏性，提高了医护人员的工作效率，也降低了医院实施该疼痛等级评估时硬件的采购成本；同时本发明中采用该疼痛等级评估方法的装置也具有同样的优点。

Description

一种疼痛等级评估方法及采用其的疼痛等级评估装置
技术领域
本发明涉及医疗分析技术领域，尤其涉及一种疼痛等级评估方法及采用其的疼痛等级评估装置。
背景技术
疼痛是疾病中最普遍、最重要的症状，作为一个主观症状，一般以患者自身的感受为基础来对疼痛程度进行评价。因此，疼痛的等级很难被定量，如何客观的评价疼痛强度一直是学者们研究的问题。在医院以及康复机构，需要根据患者的不同的疼痛强度，来制定不同的治疗方案。由于个体对疼痛的恐惧程度的差异，以及每个人的疼痛忍耐程度不一样，则采用量表评估疼痛等级的方法则具有一定的主观性，并且量表评估并不能反映患者的肌肉活动状态以及损伤程度，因此，主观的疼痛等级评定机制具有一定的缺陷。
现有技术中，有采用核磁共振的形式分析脑部活动对疼痛进行等级评估，以及采用对肌电信号的峰值与疼痛程度的关联对疼痛进行等级评估。上述两种较为客观的疼痛等级评估方式中，前者对设备和操作的要求太高，在一般医疗机构实施推广难度大、成本高。后者由于肌电信号中附加的干扰信号的影响，且在产生机理上，肌电信号具有非平稳时变特性，是一种时频域信号，单纯的时域提取方法具有不稳定、随机性较强等缺陷，且很难精细的描述肌电信号的内在特征，故肌电信号峰值与疼痛等级的关联并不紧密，其评估出来的疼痛等级误差较大，很难适用到对患者病情的参考和治疗方案制定中。因此，现有技术存在不足。
发明内容
为了解决现有技术中存在的上述技术问题，本发明针提出了一种对表面肌电信号进行优化处理并提取其信号特征值对疼痛等级进行客观评估的方法和装置。
为了解决上述技术问题，本发明所采用的技术方案为：一种疼痛等级评估方法，包括步骤：s1.表面肌电信号采集；包括以下顺序步骤：
s2.将所述表面肌电信号分解为目标低频系数和目标高频系数；
s3.从所述目标低频系数中提取信号特征值；
s4.根据所述信号特征值获得客观疼痛等级。
优选的，所述步骤s2中采用的分解方法为基于小波变换的多尺度分解。
优选的，步骤s2中所述基于小波变换的多尺度分解采用四尺度。
优选的，步骤s2包括以下步骤：
s21.将所述表面肌电信号分解为第一低频系数和第一高频系数；
s22.将所述第一低频系数分解为第二低频系数和第二高频系数；
s23.将所述第二低频系数分解为第三低频系数和第三高频系数；
s24.将所述第三低频系数分解为所述目标低频系数和所述目标高频系数。
优选的，步骤s3还包括以下步骤：
s31.提取所述目标低频系数中绝对值最大的小波系数；
s32.将所述绝对值最大的小波系数作为所述信号特征值。
优选的，所述目标低频系数的频段为0Hz至75Hz。
优选的，还包括以下步骤：
s5.根据所述目标高频系数提取噪声阈值。
优选的，所述步骤s4具体包括以下步骤：
s41.综合多个所述信号特征值与其相应时段的主观疼痛等级进行相关性分析；
s42.根据分析结果建立所述信号特征值与客观疼痛等级对应关系。
为了解决上述技术问题，本发明还提供一种疼痛等级评估装置，包括表面肌电采集器，还包括：与所述表面肌电采集器电性连接的信号分解单元、与所述信号分解单元电性连接的特征提取单元以及与所述特征提取单元电性连接的疼痛等级输出单元；
所述表面肌电采集器用于采集表面肌电信号；
所述信号分解单元用于将所述表面肌电信号分解为目标低频系数和目标高频系数；
所述特征提取单元用于从所述目标低频系数中提取信号特征值：
所述疼痛等级输出单元，用于根据所述信号特征值输出客观疼痛等级。
优选的，该疼痛等级评估装置还包括与所述信号分解单元电性连接的噪声识别单元，该噪声识别单元用于根据所述目标高频系数提取噪声阈值。
与现有技术相比，本发明的疼痛等级评估方法，通过对表面肌电信号进行优化分解处理，并从其中包含主要特征信息的低频部分提取相应的信号特征值，避免了高频部分的噪声对信号特征值的干扰，使得信号特征值与客观疼痛等级的相关性更为密切且准确，有效的提升了通过表面肌电信号获取客观疼痛等级的准确性和灵敏性。同时，从高频部分提取的噪声阈值也有助于显示当前测量环境的噪声状况，为进一步提升测量准确性提供改进依据。
进一步的，本方法简单且操作方便，可适合大部分对疼痛等级评估需要的场所、组织使用。
采用该方法的疼痛等级评估装置也同样具有上述优点。
附图说明
图1为一种疼痛等级评估方法的基本流程图；
图2为一种疼痛等级评估方法的详细流程图；
图3为采用图1疼痛等级评估装置的基本架构示意图；
图4为采用疼痛等级评估装置的完整架构示意图；
图5为本发明一层小波分解示意图；
图6为本发明多层小波分解示意图；
图7为本发明4尺度分解结构示意图。
具体实施方式
以下参考附图1至附图7，对本发明的各实施例予以进一步地详尽阐述。
如附图1所示，一种疼痛等级评估方法，包括步骤：s1.表面肌电信号采集；包括以下顺序步骤：
s2.将表面肌电信号分解为目标低频系数和目标高频系数。
s3.从目标低频系数中提取信号特征值。
s4.根据信号特征值获得客观疼痛等级。
具体的，在本实施例中，主要利用人体脊柱周围核心肌群的表面肌电信号的特征值对疼痛等级进行评估。通过对采集到的表面肌电信号进行高低频分解，将包含主要肌电信息的目标低频系数从主信号中分离出来，避免了一般参杂在高频系数中的噪声对评估准确性的影响。
在此基础上，对目标低频系数中的信号特征值进行提取，以该信号特征值作为疼痛等级的主要参考指标，可以有效的提高表面肌电信号与疼痛的相关性，使得客观评估病人的疼痛等级时准确性更高，解决了现有技术中直接的采用肌电信号峰值来评估疼痛等级容易受到噪声干扰而准确性不足的问题。
需要指出的是，因为疼痛源于患者的自身感受，本发明所评估的客观疼痛等级必须基于现有的主观疼痛评估机制，并在此机制上结合特征信号值与主观疼痛等级的相关性，最终得出特征信号值与疼痛等级的客观对应关系，以实现客观的评估。
目前的疼痛评估方法主要分为：病人自我报告法、行为观测法和生理指标评估法。疼痛最可靠、最有效的指标是患者本人的报告，即自我报告法。目前，常用的疼痛强度评估的自我报告法有：视觉模拟法(visual analogue scale,VAS)、语言评价量表(verbalrating scale,VRS)、数字评价量表(numerical rating scale,NRS)、McGill问卷表(McGill pain questionnaire,MPQ)。与其他三种量表法相比，视觉模拟评分法(VAS)因具有较好的可重复性和性价比而被广泛的应用于临床上的疼痛强度的评估。
例如，上述现有的疼痛评估方法中，视觉模拟评分法(VAS)多用在医院以及康复机构需要根据患者的不同的疼痛强度，来制定不同的治疗方案时。在本发明的第一次执行步骤s1至s3时，可将其信号特征值与同时段采用VAS评价的疼痛强度对应。将多次执行步骤s1至s3获得的结果与对应时段的VAS评价结果综合评估，如采用平均数形式将信号特征值与VAS评价结果匹配，使得不同的信号特征值可以有相应且关联性较大的疼痛等级构成对应，之后执行步骤s1至s3得到的信号特征值直接匹配对应的疼痛等级即可得到较客观的疼痛等级。
在本实施例中，步骤s2中采用的分解方法为基于小波变换的多尺度分解。
具体的，在医用领域，肌电信号可以作为个体肌肉性能的评价标准。同时，表面肌电信号具有微弱性、交变性、低频性等特性，其信号中参杂的噪声部分很容易干扰到有效信息部分，直接对表面肌电信号的分析，其结果准确性很难保证。
小波分解是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。小波分解的意义还在于能够在不同尺度上对信号进行分解，而且对不同尺度的选择可以根据不同的目标来确定。同时，小波变换的特点符合肌肉收缩的瞬动性特点，小波系数最大值表征每层信号频率的最大值，小波变换的低频系数表征了信号的有用部分，因此以低频系数a4最大值作为信号的特征是合适的。
本发明中采集到的表面肌电信号，其低频成分相当重要，蕴含着信号与疼痛程度之间的关系特征，而高频成分则给出信号的细节或差别。采用小波变换可以有效的对表面肌电信号的低频系数与高频系数进行多尺度分解，每一次分解都可以进一步避免高频系数中的噪声对低频系数中有效信息的影响和干扰。
在其他实施例中，可以采用实体滤波器的形式优先滤除表面肌电信号中的高频部分，以避免其中的噪声干扰到低频部分包含的有效信息。
如附图5至附图7所示，在本实施例中，步骤s2中基于小波变换的多尺度分解采用四尺度。
本发明方法提出对表面肌电信号做4尺度小波分解，其具体为：给定一个长度为N的信号S，离散小波分解(DWT)最多可以把信号分解成log2N个频率级。第一步分解开始于信号S，分解后分解系数由两部分组成：低频系数向量cA1和高频系数向量cD1，向量cA1是由信号S与低通分解滤波器经过卷积运算得到的，向量cD1是由信号S与高通分解滤波器经过卷积运算得到的。在下一步分解中，用同样的方法把低频系数cA1分成两部分，即把上面的S用cA1代替，分解后返回尺度2的低频系数cA2和高频系数cD2；再用同样方法继续往下分解。
具体的，在附图5中，给定长度为N的信号，那么离散小波变换(DWT)顶多包含log2N层。第一步由信号S产生两个系数集：低频系数cA1和高频系数cD1。cA1由S和低通滤波器Lo_D卷积得到，cD由S和高通滤波器Hi_D卷积得到。
如附图6所示，多尺度的下一步分解就是使用相同的框架将低频系数分解cA1分解成两部分，即将cA1替换为cA2和cD2,依此类推，得到cDj+1和cDj+1。j+1为尺度数值，如附图7中的cA3和cD3以及cA4和cD4。附图7中的X与附图5中的S均表示初始的表面肌电信号。
如附图2所示，在本实施例中，步骤s2包括以下步骤：
s21.将表面肌电信号分解为第一低频系数和第一高频系数。
s22.将第一低频系数分解为第二低频系数和第二高频系数。
s23.将第二低频系数分解为第三低频系数和第三高频系数。
s24.将第三低频系数分解为目标低频系数和目标高频系数。
步骤s21至s24即为上述4尺度小波分解的具体步骤。
在其他实施例中，对表面肌电信号做小波分解时也可采用2尺度、3尺度以及5尺度以上，区别在于分解尺度越小，低频带宽越大，其小波系数与疼痛等级的相关性越低。反之分解尺度越大，目标低频系数中绝对值最大的小波系数与疼痛等级的相关性越强，但对系统资源消耗也越大。考虑到处理效率和准确性的统一，以4尺度为最优选择。
在本实施例中，步骤s3还包括以下步骤：
s31.提取目标低频系数中绝对值最大的小波系数。
s32.将绝对值最大的小波系数作为信号特征值。
在具体实施中，通过SPSS19.0统计分析软件对目标低频系数中多有效信息进行分析，其结果显示，采用绝对值最大的小波系数作为信号特征值时，其值与疼痛等级的相关性最强，故本发明步骤s3中采用该小波系数作为信号特征值。
在本实施例中，目标低频系数的频段为0Hz至75Hz。该频道内的有效信息可以较好的与疼痛等级契合。
在优选的施例中，还包括以下步骤：
s5.根据目标高频系数提取噪声阈值。
因为通过小波分解后，噪声分量的主要能量集中在小波分解的细节分量中，该步骤通过对分解出的含有噪声的目标高频系数进行分析，可以对其中包含的噪声信号进行幅度和范围的统计，进而提取测量表面肌电信号时噪声的阈值，对细节分量做进一步处理，比如过滤噪声。这有助于从源头对噪声进行降噪处理，提高表面肌电信号的信噪比。
在本实施例中，步骤s4具体包括以下步骤：
s41.综合多个信号特征值与其相应时段的主观疼痛等级进行相关性分析。
s42.根据分析结果建立信号特征值与客观疼痛等级对应关系。
通过将提取到的信号特征值与同时段的主观疼痛等级相对应，并采用多个不同时段甚至多个不同病人相同部位的上述两个数据进行综合分析。如前述提出的采平均值的方式。可以将主观因素尽可能的剔除。确保信号特征值最终对应的疼痛等级尽量客观。当步骤s42的对应关系确立后，只需要执行一次步骤s1至步骤s4即可得到较为客观的疼痛等级。避免病人主观因素对医疗信息的影响。
具体的，本发明通过对不同部位肌肉(如脊柱部位的多裂肌、腹外斜肌、腹横肌)进行数据采样分析，通过SPSS19.0统计分析软件，分析低频系数a4最大绝对值的信号特征值与疼痛等级的相关性。相关系数R是反映两个变量之间密切程度的指标，相关系数的数值范围为－1≤R≤+1；R＞0为正相关，r＜0为负相关；|R|越接近于1，则表示相关关系越强，越接近于0，则表示相关关系越弱；相关系数的绝对值|R|在0.3以下是无直线相关，0.3以上是有直线相关，0.3～0.5是低度直线相关，0.5～0.8是显著相关(中等程度相关)，0.8以上是高度相关。判定系数RR是测定一元直线回归模型拟合优度的一个重要指标，取值范围为[0,1]，拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高，观察点在回归直线附近越密集。
结果显示：多裂肌的表面肌电信号的低频系数a4最大值与疼痛等级的相关系数R＝0.913,R2＝0.834；腹外斜肌的表面肌电信号的低频系数a4最大值与疼痛等级的相关系数R＝0.949,R2＝0.900；腹横肌的表面肌电信号的低频系数a4最大值与疼痛等级的相关系数R＝0.962,R2＝0.925。表明人体脊柱周围核心肌群的表面肌电信号的低频系数a4最大值与疼痛等级均具有高度的相关性。
如附图3至附图4所示，为了解决上述技术问题，本发明还提供一种疼痛等级评估装置，包括表面肌电采集器，还包括：与表面肌电采集器电性连接的信号分解单元、与信号分解单元电性连接的特征提取单元以及与特征提取单元电性连接的疼痛等级输出单元。
表面肌电采集器用于采集表面肌电信号。
信号分解单元用于将表面肌电信号分解为目标低频系数和目标高频系数。
特征提取单元用于从目标低频系数中提取信号特征值。
疼痛等级输出单元，用于根据信号特征值输出客观疼痛等级。在本实施例中，该疼痛等级输出单元为显示设备。在其他实施例中，其也可以打印设备或者语音设备。
在优选的实施例中，该疼痛等级评估装置还包括与信号分解单元电性连接的噪声识别单元，该噪声识别单元用于根据目标高频系数提取噪声阈值。
目前的临床环境下，本发明所要求保护的方案很好的解决了客观评估疼痛等级时误差较大的问题，也很好的降低了采用核磁共振设备客观评估疼痛等级时硬件投入过高不利推广的缺陷，提升了医护人员工作的效率。
上述内容，仅为本发明的较佳实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。

Claims (9)

1.一种疼痛等级评估方法，包括步骤：s1.表面肌电信号采集；其特征在于，还包括以下顺序步骤：
s2.将所述表面肌电信号分解为目标低频系数和目标高频系数；
s3.从所述目标低频系数中提取信号特征值；
s4.根据所述信号特征值获得客观疼痛等级；
所述步骤s3还包括以下步骤：
s31.提取所述目标低频系数中绝对值最大的小波系数；
s32.将所述绝对值最大的小波系数作为所述信号特征值。
2.如权利要求1所述的一种疼痛等级评估方法，其特征在于，所述步骤s2中采用的分解方法为基于小波变换的多尺度分解。
3.如权利要求2所述的一种疼痛等级评估方法，其特征在于，步骤s2中所述基于小波变换的多尺度分解采用四尺度。
4.如权利要求3所述的一种疼痛等级评估方法，其特征在于，步骤s2包括以下步骤：
s21.将所述表面肌电信号分解为第一低频系数和第一高频系数；
s22.将所述第一低频系数分解为第二低频系数和第二高频系数；
s23.将所述第二低频系数分解为第三低频系数和第三高频系数；
s24.将所述第三低频系数分解为所述目标低频系数和所述目标高频系数。
5.如权利要求1所述的一种疼痛等级评估方法，其特征在于，所述目标低频系数的频段为0Hz至75Hz。
6.如权利要求1所述的一种疼痛等级评估方法，其特征在于，还包括以下步骤：
s5.根据所述目标高频系数提取噪声阈值。
7.如权利要求1所述的一种疼痛等级评估方法，其特征在于，所述步骤s4具体包括以下步骤：
s41.综合多个所述信号特征值与其相应时段的主观疼痛等级进行相关性分析；
s42.根据分析结果建立所述信号特征值与客观疼痛等级对应关系。
8.一种采用如权利要求1至7任意一项所述疼痛等级评估方法的疼痛等级评估装置，包括表面肌电采集器，其特征在于，还包括：与所述表面肌电采集器电性连接的信号分解单元、与所述信号分解单元电性连接的特征提取单元以及与所述特征提取单元电性连接的疼痛等级输出单元；
所述表面肌电采集器用于采集表面肌电信号；
所述信号分解单元用于将所述表面肌电信号分解为目标低频系数和目标高频系数；
所述特征提取单元用于从所述目标低频系数中提取信号特征值：
所述疼痛等级输出单元，用于根据所述信号特征值输出客观疼痛等级。
9.如权利要求8所述的疼痛等级评估装置，其特征在于，还包括与所述信号分解单元电性连接的噪声识别单元，该噪声识别单元用于根据所述目标高频系数提取噪声阈值。
CN201710675405.9A 2017-08-09 2017-08-09 一种疼痛等级评估方法及采用其的疼痛等级评估装置 Active CN107440687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710675405.9A CN107440687B (zh) 2017-08-09 2017-08-09 一种疼痛等级评估方法及采用其的疼痛等级评估装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710675405.9A CN107440687B (zh) 2017-08-09 2017-08-09 一种疼痛等级评估方法及采用其的疼痛等级评估装置

Publications (2)

Publication Number Publication Date
CN107440687A CN107440687A (zh) 2017-12-08
CN107440687B true CN107440687B (zh) 2020-06-16

Family

ID=60491775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710675405.9A Active CN107440687B (zh) 2017-08-09 2017-08-09 一种疼痛等级评估方法及采用其的疼痛等级评估装置

Country Status (1)

Country Link
CN (1) CN107440687B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108211141A (zh) * 2018-01-16 2018-06-29 南京医科大学 一种基于肌电信号反馈的闭环疼痛超声理疗系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009063463A2 (en) * 2007-11-14 2009-05-22 Medasense Biometrics Ltd Pain monitoring using multidimensional analysis of physiological signals
US9042972B2 (en) * 2008-06-24 2015-05-26 Nihon Kohden Corporation Pain judging device to judge pain based on a frequency component of a peak-relevant value
US20180000409A1 (en) * 2014-12-18 2018-01-04 Quantium Medical Sl Apparatus for the Assessment of the Level of Pain and Nociception During General Anesthesia Using Electroencephalogram, Plethysmographic Impedance Cardiography, Heart Rate Variability and the Concentration or Biophase of the Analgesics
CN106308748B (zh) * 2016-08-18 2019-05-31 中国科学院深圳先进技术研究院 一种下背痛患者功能障碍分析方法及实现该方法的装置
CN106725467B (zh) * 2017-01-03 2020-04-14 深圳先进技术研究院 阵列式肌电信号采集装置及下背痛辅助诊断系统

Also Published As

Publication number Publication date
CN107440687A (zh) 2017-12-08

Similar Documents

Publication Publication Date Title
Subasi Application of adaptive neuro-fuzzy inference system for epileptic seizure detection using wavelet feature extraction
KR101400362B1 (ko) 마취 심도 측정 방법 및 장치
CA2849294C (en) Physiological signal denoising
CN101259015B (zh) 一种脑电信号分析监测方法及其装置
Sobahi Denoising of EMG signals based on wavelet transform
CN106236080B (zh) 基于多通道的脑电信号中肌电噪声的消除方法
CN103110418A (zh) 一种脑电信号特征提取方法
Aschero et al. Denoising of surface EMG with a modified Wiener filtering approach
CN103405225A (zh) 一种获取疼感评测指标的方法、装置及设备
CN107320097B (zh) 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置
Ranjan et al. Cardiac artifact noise removal from sleep EEG signals using hybrid denoising model
Pauk 419. Different techniques for EMG signal processing.
CN117281479A (zh) 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置
CN107440687B (zh) 一种疼痛等级评估方法及采用其的疼痛等级评估装置
Lamarque et al. A new concept of virtual patient for real-time ECG analyzers
Gutiérrez et al. Analysis and localization of epileptic events using wavelet packets
Leung et al. Wavelet-denoising of electroencephalogram and the absolute slope method: a new tool to improve electroencephalographic localization and lateralization
Duhan et al. Study of signal processing techniques for EMG analysis
Park et al. Detection of epileptiform activity using wavelet and neural network
Singh et al. Classification of low-level finger contraction from single channel surface emg
Ni et al. Extracting heartbeat intervals using self-adaptive method based on ballistocardiography (BCG)
EP1588280A2 (en) System and method of processing electromyographic signals for the diagnosis of parkinson's disease
Helal et al. A hybrid approach for artifacts removal from EEG recordings
Kalbhor et al. The review of detection and classification of epilectic seizures using wavelet transform
Talatov et al. Methodology for processing and analysis of diagnostic indicators electrocardiogram based on Labview

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
GR01 Patent grant
GR01 Patent grant