CN108095708A - 一种基于混合传感的生理监测及分析方法、系统 - Google Patents

一种基于混合传感的生理监测及分析方法、系统 Download PDF

Info

Publication number
CN108095708A
CN108095708A CN201810053929.9A CN201810053929A CN108095708A CN 108095708 A CN108095708 A CN 108095708A CN 201810053929 A CN201810053929 A CN 201810053929A CN 108095708 A CN108095708 A CN 108095708A
Authority
CN
China
Prior art keywords
analysis
data
physiologic information
statistical model
information data
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
Application number
CN201810053929.9A
Other languages
English (en)
Inventor
麦年丰
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.)
Dynamic Analysis Intelligent Technology Co Ltd
Original Assignee
Dynamic Analysis Intelligent Technology Co Ltd
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 Dynamic Analysis Intelligent Technology Co Ltd filed Critical Dynamic Analysis Intelligent Technology Co Ltd
Priority to CN201810053929.9A priority Critical patent/CN108095708A/zh
Publication of CN108095708A publication Critical patent/CN108095708A/zh
Priority to TW108101401A priority patent/TWI700708B/zh
Priority to KR1020207020655A priority patent/KR20200100131A/ko
Priority to PCT/IB2019/050371 priority patent/WO2019142119A1/zh
Priority to JP2020560629A priority patent/JP2021511185A/ja
Priority to US16/963,422 priority patent/US20210137391A1/en
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/026—Measuring blood flow
    • A61B5/0295—Measuring blood flow using plethysmography, i.e. measuring the variations in the volume of a body part as modified by the circulation of blood therethrough, e.g. impedance plethysmography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0535—Impedance plethysmography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Hematology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明涉及一种基于混合传感的生理检测及分析方法，通过实验建立算法统计模型，然后再通过收集目标生物的生理信息数据，进行降噪处理后输入所述算法统计模型中得出输出目标，所述输出目标作为分析报告，或再比对后台旧的数据库得出分析报告，从而判定目标生物的健康状况；还提供一种基于混合传感的生理检测及分析系统，包括用于收集数据的传感器、数据记录单元、用于数据分析的数据分析单元以及用于接受分析报告的报告接收单元。本发明通过收集目标生物各方面的生理数据，实现了对目标生物生理信息全方位的分析，使得分析的结果更加准确可靠，且方便快捷，提高了生理检测及疾病检测的效率。

Description

一种基于混合传感的生理监测及分析方法、系统
技术领域
本发明涉及疾病诊断技术，尤其涉及一种基于混合传感的生理检测及分析方法、系统。
背景技术
现有技术中的疾病或健康状态的判断一般是通过检测机器判断。但是这种检测方法因外界因素的干扰，以及因条件限制获取的生理数据不全面等原因造成的检测结果准确率不高，容易造成误诊现象。
发明内容
针对现有技术中存在的缺陷或不足，本发明所要解决的技术问题是：提供一种能够解决在健康状态判断容易造成误诊的技术方案。
为了实现上述目的，本发明采取的技术方案为提供一种基于 混合传感的生理检测及分析方法，包括以下步骤：
S1.通过实验建立算法统计模型；
S2.采集目标生物的生理信息数据；其中，所述生理信息数据包括目标生物的电生理讯息、机械生理讯息以及身体运动活动数据；通过采集目标生物的电生理讯息、机械生理讯息以及身体运动活动数据等，保证信息的全面性。
S3.通过信号处理方法对所述生理信息数据进行降噪处理，并通过特征提取方法提取不同生理信息数据的时域特征和/或频域特征；其中，所述特征提取方法为傅里叶变换、频带功率计算、时频分析、小波分解或者波形检测中的一种或多种的组合，还可以是其他能够提取生理信息数据的时域特征或频域特征的特征提取方法的一种或者多种组合；提高生理信息数据的信噪比，排除因外界的干扰或的其他不可控因素造成的失真或异常的数据信息。
S4. 分别将由电生理讯息、机械生理讯息以及身体运动活动数据提取的时域特征和/或频域特征输入到算法统计模型中进行运算，得出输出目标；其中，所述的算法统计模型包括心率检查算法统计模型、血压检查算法统计模型、心率变异检查算法统计模型、呼吸率检查算法统计模型、血压检查算法统计模型、情绪检查算法统计模型、心输出量检查算法统计模型以及身体运动检查算法统计模型。所述输出目标包括与所述的算法统计模型相对应的心率分析、血压分析、心率变异分析、呼吸率分析、血压分析、情绪分析、心输出量分析以及身体运动分析，还可以包括其他生理信息的算法统计模型。
S5. 所述输出目标作为分析报告并回报给报告接收单元，或将所述输出目标分别与过往数据库进行对比，得出分析报告并回报至报告接收单元，其中，所述过往数据库包括：与所述目标生物的过往生理信息数据以及与所述目标生物的种族、品种相同或不同的生物的过往生理信息群组数据。过往数据库中一般保存有该目标生物或者与该目标生物的种族、科、目、年龄、大小相同或类似的生物的生理数据信息，通过将输出目标与该数据进行对比，得出该目标生物的分析报告，数据分析单元将所述分析报告发送至报告接收单元，供专业人士根据该报告给出建议。
作为本发明的进一步改进，所述步骤S1还包括以下步骤：
S11.通过传感器收集实验对象的实验生理信息数据；
S12.通过信号处理方法提高实验生理信息数据的信噪比；
S13.通过特征提取方法提取不同的实验生理信息数据的时域特征和/或频域特征，其中，所述特征提取方法为：傅里叶变换、频带功率计算、时频分析、小波分解以及波形检测；
S14.通过将实验生理信息数据的时域特征和/或频域特征输入机器学习系统中建立统计模型，并训练统计模型获得算法统计模型。
作为本发明的进一步改进，步骤S14还包括以下步骤：
S141.所述机器学习系统预先设定的标准统计学检验参数以及预设的算法结果的可接受偏差度；
S142.所述机器学习系统通过特征选择方法选择所述实验生理信息数据的相关的时域特征和/或频域特征的子集构建不同组合的模型，并将统计模型的运算结果与通过标准度量方法获取的生理结果相对比，核对是否符合预设的统计学检验参数以及可接受结果偏差度；
S143.若不符合，则将测试的时域特征和/或频域特征从所述统计模型中剔除；
S144.通过选取拥有最高准确度及统计参数值的特征子集构建算法统计模型。
作为本发明的进一步改进，所述电生理讯息包括心电图、电性质呼吸测量图。
作为本发明的进一步改进，所述机械性生理讯息包括心脏振动图、心冲击图及机械性呼吸测量图。
作为本发明的进一步改进，所述输出目标包括身体运动、呼吸率、心率、心率变异、血压、情绪、心输出量以及身体运动。
本发明还提供一种基于混合传感的生理检测及分析系统，包括若干传感器、数据记录单元、数据分析单元以及报告接收单元；所述数据分析单元：用于分析经过所述数据记录单元处理后的所述传感器收集的目标生物的生理信息数据，并将分析报告发送至所述报告接收单元。
作为本发明的进一步改进，所述传感器包括心电图传感器、加速计、运动传感器以及压力传感器；所述数据记录单元包括用于测量、记录或寄存所述传感器收集的生理信息数据的中央处理器，所述中央处理器：还用于将所述生理信息数据发送至所述数据分析单元。
作为本发明的进一步改进，所述数据分析单元包括过往数据库、实时采集数据库以及能够通过机器学习方法建立、训练算法统计模型的分析平台；
所述过往数据库包括：与所述目标生物的过往生理信息数据以及与所述目标生物的种族、品种相同或不同的生物的过往生理信息群组数据；
所述实时采集数据库包括所述目标生物的生理信息数据。
作为本发明的进一步改进，所述数据分析平台还用于：提高所述生理信息数据的信噪比、通过特征提取方法提取不同生理信息数据的时域和/或频域特征。
本发明的有益效果是：本发明通过收集目标生物各方面的生理数据，实现了对目标生物生理信息全方位的分析，使得分析的结果更加准确可靠，且方便快捷，提高了生理监测以及疾病检测的效率。
附图说明
图1是本发明提供的检测流程图；
图2是本发明提供的系统框图；
图3是本发明提供的从电生理信号提取的时域数据图像；
图4是本发明提供的从电生理信号提取的频域数据图像；
图5是本发明提供的从机械性生理信号提取的时域数据图像；
图6是本发明提供的从机械性生理信号提取的频域数据图像；
图7是本发明提供的电生理信号和机械性生理信号提取的时域特征之间的相互数据图像；
图8是本发明提供的从电生理信号和机械性生理信号提取的时域/或频域特征之间的相互关精神状态主成分分析数据分布图像；
图9是本发明提供的从电生理信号和机械性生理信号提取的时域特征之间的相互关数据图像以分析心输出量及相关参数图像；
图10是本发明提供的分析系统的数据收集结构的侧视图；
图11是本发明提供的分析系统的数据收集结构的折叠或展开过程图；
图12是本发明提供的收集目标生物数据的实施方式；
其中数字表示：11-心电图传感器 12-加速器 13-压力传感器 2-数据寄存单元 3-数据分析单元 4-报告接收单元 51-机械性活动传感器。
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
如图1所示，本发明提供一种基于混合传感的生理监测及分析方法，包括以下步骤：
S1.通过实验建立算法统计模型；
具体的，所述步骤S1还包括以下步骤：
S11.通过传感器收集实验对象的实验生理信息数据；
实验时收集大量数据（人类或/及动物，相同及不同种族/品种，健康及不健康的）：从传感器收集的数据（电生理信号、机械生理信号或者身体运动活动数据），及记录当时各对比输出目标数据，如身体运动、呼吸率、心率、心率变异、血压、情绪、心输出量以及相关参数，例如心排血量、心脏射血分数等等，全面的数据收集有利于建立全面的算法统计模型，使得后续应用分析目标生物的生理状态时的结构更加准确。
S12.通过信号处理方法提高实验生理信息数据的信噪比；一般在收集数据时，难免会存在干扰数据，这些干扰数据会扰乱分析结果，甚至造成误诊，则需要对从传感器收集的数据，如电生理信号及机械生理信号，在输入机器学习系统之前，以相应适用的信号处理(signal processing)方法，提高信噪比。
S13.通过特征提取方法提取不同的实验生理信息数据的时域特征和/或频域特征，其中，所述特征提取方法为：傅里叶变换、频带功率计算、时频分析、小波分解以及波形检测等等方法中的一种或多种的组合，通过所述特征提取方法中的一种或多种对不同的实验生理信息数据进行特征提取；提取的实验生理信息数据的时域特征和/或频域特征一般是具代表性、不同的时域和/或频域特征。应用于“特征提取”的讯号处理方法包括但不限于傅里叶变换(Fourier Transform)，频带功率计算（frequency band power calculation），时频分析（time frequency analysis），小波分解（wavelet decomposition）及波形检测(振幅变化及时间位置)等处理方法，系统还会自行提取相关的资讯。
S14.通过将实验生理信息数据的时域特征和/或频域特征输入机器学习系统中建立统计模型，并训练统计模型获得算法统计模型。
进一步的，步骤S14的还包括以下步骤：
S141.所述机器学习系统预先设定的标准统计学检验参数以及预设的算法结果的可接受偏差度；例如将标准统计学检验参数预设为大于95% （即p-value <0.05），该显著水准的数值根据统计学所欲研究的客体而定，将血压的設可接受偏差定为<1mmHg。
S142.所述机器学习系统通过特征选择方法选择所述实验生理信息数据的相关的时域特征和/或频域特征的子集构建不同组合的模型，并将统计模型的运算结果与通过标准度量方法获取的生理结果相对比，各运算算法各自分别训练,及有可能有着不同的预设值及参数;核对是否符合预设的统计学检验参数以及可接受结果偏差度；建立统计模型之后，需要对统计模型进行训练，使之该统计模型更加具有代表性，其中，有关机器学习系统会自行以“特征选择”运算方法来排除不够影响力的时域/频域特征，“特征选择”会选择及利用有关的资料，演算出所需的目标值与实验数据作对比，核对是否符合显著水准及预测错误的要求。
S143.若不符合，则将测试的时域特征和/或频域特征从所述统计模型中剔除；
通过在所有数据上循环运行计算，直至产生一个能对综合所有数据都能产生符合预订水准及预测错误要求的统计模型产生；需要注意的是：不同的输出目标数据，有着不同的算法，算法统计模型会由不同的时域/频域特征构成，并有着不同的参数。
S144.通过选取拥有最高准确度及统计参数值的特征子集构建算法统计模型。
根据需要，实验中采集的人或动物的生理数据可以是身体运动、呼吸率、心率、心率变异、血压、情绪、心输出量以及身体运动等等。
建立模型之后进行步骤：
S2.采集目标生物的生理信息数据；其中，所述生理信息数据包括目标生物的电生理讯息、机械生理讯息以及身体运动活动数据；通过采集目标生物的电生理讯息、机械生理讯息以及身体运动活动数据等，保证信息的全面性。
S3.通过信号处理方法对所述生理信息数据进行降噪处理，并通过特征提取方法提取不同生理信息数据的时域特征和/或频域特征；其中，所述特征提取方法为傅里叶变换、频带功率计算、时频分析、小波分解或者波形检测；提高生理信息数据的信噪比，排除因外界的干扰或的其他不可控因素造成的失真或异常的数据信息。
S4. 分别将由电生理讯息、机械生理讯息以及身体运动活动数据提取的时域特征和/或频域特征输入到算法统计模型中进行运算，得出输出目标；其中，所述的算法统计模型包括心率检查算法统计模型、血压检查算法统计模型以及心率变异检查算法统计模型等等，通过实验建立的不同生理信息数据建立与该生理信息数据相对应的算法统计模型，在将收集的目标生物的生理信息数据输入与之对应的算法统计模型中进行对比计算分析得出相应的输出目标，所述输出目标包括与所述的算法统计模型相对应的心率分析、血压分析以及心率变异分析等等。
例如，将电生理讯息、机械生理讯息以及身体运动活动数据等提取的时域特征和/或频域特征输入到针对心率检查建立的算法统计模型之中，只有在机器学习是被选取,与心率相关的特征会被选用,并进入统计模型输出的结果就是心率的输出目标，根据目标生物的若干个生理信息数据的输出目标分析。
S5. 所述输出目标作为分析报告并回报给报告接收单元4，或将所述输出目标分别与过往数据库进行对比，得出分析报告并回报至报告接收单元4，其中，所述过往数据库包括：与所述目标生物的过往生理信息数据以及与所述目标生物的种族、品种相同或不同的生物的过往生理信息群组数据。过往数据库中一般保存有该目标生物或者与该目标生物的种族、科、目、年龄、大小相同或类似的生物的生理数据信息，通过将输出目标与该数据进行对比，得出该目标生物的分析报告，数据分析单元3将所述分析报告发送至报告接收单元4，供专业人士根据该报告给出建议。
如图2所示，本发明还提供一种基于混合传感的生理检测及分析系统，包括若干传感器、数据记录单元2、数据分析单元3以及报告接收单元4；所述数据分析单元：用于分析经过所述数据记录单元2处理后的所述传感器收集的目标生物的生理信息数据，并将分析报告发送至所述报告接收单元4。其中，所述传感器包括但不限于：用于收集电生理活动、机械性生理活动、呼吸及身体运动相关活动的心电图传感器11、加速计12、运动传感器以及压力传感器13；本发明是以同步、锁定时间的方式记录心血管系统的电生理及机械性活动，并且同步测量心肺活动及身体运动。
如图3-9所示，该系统可以通过上述传感器从动物及人类身上收集实时电生理讯息，电生理讯息包括，但不限于：心电图（ECG）和电性质的呼吸测量；从动物及人类身上收集实时机械性生理讯息，机械性生理讯息包括，但不限于：心脏振动图（SCG;seismocardiography），心冲击图(BCG; ballistocardiography) 及机械性呼吸测量；收集实时身体运动活动数据。并对收集的不同的生理信息数据提取器时域特征以及频域特征，最后结合电生理信号以及机械性生理信号再次进行分析，得出电生理信号和机械性生理信号提取的时域特征之间的相互数据图像。
具体的，心脏情况，血流动力状态，呼吸及身体活动状态的生理测量，包括但不限于：身体运动、心率、心率变异、心电图波峰组成结构检测、心脏振动图波峰组成结构检测、心冲击图波峰组成结构检测、血压、情绪检测等等。
所述数据记录单元2包括用于测量、记录或寄存所述传感器收集的生理信息数据的中央处理器，所述中央处理器：还用于将所述生理信息数据发送至所述数据分析单元3。
所述数据分析单元3包括过往数据库、实时采集数据库以及能够通过机器学习方法建立、训练算法统计模型的分析平台；所述过往数据库包括：与所述目标生物的过往生理信息数据以及与所述目标生物的种族、品种相同或不同的生物的过往生理信息群组数据；所述实时采集数据库包括所述目标生物的生理信息数据。
所述数据分析平台还可用于提高所述生理信息数据的信噪比、通过特征提取方法提取不同生理信息数据的时域和/或频域特征。
如图10-12所示，该测量系统的测量部分的结构可以设计为可以折叠式，有利于收纳、携带。
具体的，将机械性生理活动传感器51内置于数据收集结构中，该数据收集结构作为传感器的载体，用户可以直接通过该数据收集结构作用于目标生物的身体，采集目标生物的生理数据信息。
例如，通过加速计采集目标生物的身体运动活动数据。
本发明在应用于心脏情况、血流动力状态、呼吸以及身体活动的监察及分析时，将收集的数据进行分析后，并给予使用者及/或医学专家分析反馈，医生或其他专业人士再在分析报告的引导下进行诊断、治疗及处方建议。这种自动化快速心电图临床诠释及诊断极大提高了诊断的专业性和效率。
本发明的有益效果是：本发明能够对目标生物进行心脏健康评估，例如：
以心率资料及心血流动资料判断心血管健康及情绪状态；
侦察异常心脏活动，例如：心律不整；
侦察血压；
或者用于肺活动的测量：
侦察呼吸率；
侦察异常呼吸活动；
或者进行身体活动测量：例如身体体能状况；又或者，以呼吸资料判断整体体能水平、以身体运动资料判断整体体能水平、透过生理数据收集平台，实时，同步记录心脏，呼吸及身体运动的电生理及机械性数据； 从传感器收集的资料会记录于数据记录单元2、远端或者存在于其他服务器或设备。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于混合传感的生理监测及分析方法，其特征在于，包括以下步骤:
S1.通过实验建立算法统计模型；
S2.采集目标生物的生理信息数据；其中，所述生理信息数据包括目标生物的电生理讯息、机械生理讯息以及身体运动活动数据；
S3.通过信号处理方法对所述生理信息数据进行降噪处理，并通过特征提取方法提取不同生理信息数据的时域特征和/或频域特征；
S4.分别将由电生理讯息、机械生理讯息以及身体运动活动数据提取的时域特征和/或频域特征输入到算法统计模型中进行运算，得出输出目标；其中，所述的算法统计模型包括心率检查算法统计模型、血压检查算法统计模型以及心率变异检查算法统计模型，所述输出目标包括与所述的算法统计模型相对应的心率分析、血压分析以及心率变异分析；
S5.所述输出目标作为分析报告并回报给报告接收单元，或将所述输出目标分别与过往数据库进行对比，得出分析报告并回报至报告接收单元，其中，所述过往数据库包括：与所述目标生物的过往生理信息数据以及与所述目标生物的种族、品种相同或不同的生物的过往生理信息群组数据。
2.根据权利要求1所述的基于混合传感的生理监测及分析方法，其特征在于，所述步骤S1还包括以下步骤：
S11.通过传感器收集实验对象的实验生理信息数据；
S12.通过信号处理方法提高实验生理信息数据的信噪比；
S13.通过特征提取方法提取不同的实验生理信息数据的时域特征和/或频域特征，其中，所述特征提取方法为：傅里叶变换、频带功率计算、时频分析、小波分解以及波形检测；
S14.通过将实验生理信息数据的时域特征和/或频域特征输入机器学习系统中建立统计模型，并训练统计模型获得算法统计模型。
3.根据权利要求2所述的基于混合传感的生理监测及分析方法，其特征在于，步骤S14还包括以下步骤：
S141.所述机器学习系统预先设定的标准统计学检验参数以及预设的算法结果的可接受偏差度；
S142.所述机器学习系统通过特征选择方法选择所述实验生理信息数据的相关的时域特征和/或频域特征的子集构建不同组合的模型，并将统计模型的运算结果与通过标准度量方法获取的生理结果相对比，核对是否符合预设的统计学检验参数以及可接受结果偏差度；
S143.若不符合，则将测试的时域特征和/或频域特征从所述统计模型中剔除；
S144.通过选取拥有最高准确度及统计参数值的特征子集构建算法统计模型。
4.根据权利要求1所述的基于混合传感的生理监测及分析方法，其特征在于，所述电生理讯息包括心电图、电性质呼吸测量图。
5.根据权利要求1所述的基于混合传感的生理监测及分析方法，其特征在于，所述机械性生理讯息包括心脏振动图、心冲击图及机械性呼吸测量图。
6.根据权利要求1所述的基于混合传感的生理监测及分析方法，其特征在于，所述输出目标包括身体运动、呼吸率、心率、心率变异、血压、情绪、心输出量以及身体运动。
7.一种基于混合传感的生理监测及分析系统，其特征在于，包括若干传感器、数据记录单元、数据分析单元以及报告接收单元；
所述数据分析单元：用于分析经过所述数据记录单元处理后的所述传感器收集的目标生物的生理信息数据，并将分析报告发送至所述报告接收单元。
8.根据权利要求7所述的基于混合传感的生理监测及分析系统，其特征在于，所述传感器包括心电图传感器、加速计、运动传感器以及压力传感器；
所述数据记录单元包括用于测量、记录或寄存所述传感器收集的生理信息数据的中央处理器，所述中央处理器：还用于将所述生理信息数据发送至所述数据分析单元。
9.根据权利要求8所述的基于混合传感的生理监测及分析系统，其特征在于，所述数据分析单元包括过往数据库、实时采集数据库以及能够通过机器学习方法建立、训练算法统计模型的分析平台；
所述过往数据库包括：与所述目标生物的过往生理信息数据以及与所述目标生物的种族、品种相同或不同的生物的过往生理信息群组数据；
所述实时采集数据库包括所述目标生物的生理信息数据。
10.根据权利要求9所述的基于混合传感的生理监测及分析系统，其特征在于，所述数据分析平台还用于：提高所述生理信息数据的信噪比、通过特征提取方法提取不同生理信息数据的时域和/或频域特征。
CN201810053929.9A 2018-01-19 2018-01-19 一种基于混合传感的生理监测及分析方法、系统 Pending CN108095708A (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201810053929.9A CN108095708A (zh) 2018-01-19 2018-01-19 一种基于混合传感的生理监测及分析方法、系统
TW108101401A TWI700708B (zh) 2018-01-19 2019-01-14 一種基於混合傳感的生理監測及分析方法、系統
KR1020207020655A KR20200100131A (ko) 2018-01-19 2019-01-17 혼합 센싱에 기반한 생체 모니터링 및 분석 방법, 시스템
PCT/IB2019/050371 WO2019142119A1 (zh) 2018-01-19 2019-01-17 一种基于混合传感的生理监测及分析方法、系统
JP2020560629A JP2021511185A (ja) 2018-01-19 2019-01-17 複合センシングに基づく生理学的モニタリング及び分析方法、システム
US16/963,422 US20210137391A1 (en) 2018-01-19 2019-01-17 Hybrid sensing based physiological monitoring and analyzing method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810053929.9A CN108095708A (zh) 2018-01-19 2018-01-19 一种基于混合传感的生理监测及分析方法、系统

Publications (1)

Publication Number Publication Date
CN108095708A true CN108095708A (zh) 2018-06-01

Family

ID=62218693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810053929.9A Pending CN108095708A (zh) 2018-01-19 2018-01-19 一种基于混合传感的生理监测及分析方法、系统

Country Status (6)

Country Link
US (1) US20210137391A1 (zh)
JP (1) JP2021511185A (zh)
KR (1) KR20200100131A (zh)
CN (1) CN108095708A (zh)
TW (1) TWI700708B (zh)
WO (1) WO2019142119A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109276242A (zh) * 2018-08-02 2019-01-29 深圳市理邦精密仪器股份有限公司 心电信号类型识别的方法和装置
WO2019142119A1 (zh) * 2018-01-19 2019-07-25 动析智能科技有限公司 一种基于混合传感的生理监测及分析方法、系统
CN110491500A (zh) * 2019-08-07 2019-11-22 王满 一种基于心脏功能动态监测与分析的身份识别系统及方法
CN111248879A (zh) * 2020-02-20 2020-06-09 电子科技大学 一种基于多模态注意力融合的高血压老年人活动分析方法
CN111481185A (zh) * 2020-03-24 2020-08-04 南京润楠医疗电子研究院有限公司 一种基于射血前期的连续血压估计装置和方法
CN111513730A (zh) * 2020-03-20 2020-08-11 合肥工业大学 基于多通道生理数据的心理压力预测方法和系统
CN112598033A (zh) * 2020-12-09 2021-04-02 兰州大学 生理信号处理方法、装置、设备及存储介质
CN113693572A (zh) * 2021-07-21 2021-11-26 湖北智奥物联网科技有限公司 无创多维度动态健康管理系统及装置

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280776A (zh) * 2018-03-27 2018-07-13 国网江西省电力有限公司信息通信分公司 一种移动电能互联网构建及数据检验方法
CN112381109B (zh) * 2020-04-27 2023-05-05 昆明理工大学 一种应用于单点激光检测的线条痕迹对比系统
US11763449B2 (en) 2020-07-24 2023-09-19 Zoll Medical Corporation Systems and methods for generating and applying matrix images to monitor cardiac disease
US10931643B1 (en) * 2020-07-27 2021-02-23 Kpn Innovations, Llc. Methods and systems of telemedicine diagnostics through remote sensing
KR102560156B1 (ko) * 2021-02-26 2023-07-27 주식회사 케어식스 심탄도 및 심전도 병합을 통해 반려동물 심장질환을 측정하는 시스템 및 이의 동작 방법
KR102467211B1 (ko) * 2021-12-02 2022-11-16 (주)씨어스테크놀로지 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105078445A (zh) * 2015-08-24 2015-11-25 华南理工大学 基于健康服务机器人的老年人健康服务系统
US20170238814A1 (en) * 2013-12-12 2017-08-24 Alivecor, Inc. Methods and systems for arrhythmia tracking and scoring
CN107403061A (zh) * 2017-07-07 2017-11-28 中北大学 用户医疗评估模型构建方法和医疗评估服务器
CN107582037A (zh) * 2017-09-30 2018-01-16 深圳前海全民健康科技有限公司 基于脉搏波设计医疗产品的方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012161558A (ja) * 2011-02-09 2012-08-30 Aisin Seiki Co Ltd 心身状態誘導システム
CN105474219B (zh) * 2013-08-28 2019-10-18 西门子公司 用于根据医学图像和临床数据来估计生理学心脏测量的系统和方法
CN108366749A (zh) * 2015-10-12 2018-08-03 西北大学 动态血压与生命体征监测装置、系统和方法
CN108289632B (zh) * 2015-11-11 2021-08-13 启迪医疗仪器公司 心脏及睡眠的监控
TWI610656B (zh) * 2016-01-22 2018-01-11 Zhou Chang An 穿戴式生理監測裝置
US20180303351A1 (en) * 2017-04-20 2018-10-25 General Electric Company Systems and methods for optimizing photoplethysmograph data
CN108095708A (zh) * 2018-01-19 2018-06-01 动析智能科技有限公司 一种基于混合传感的生理监测及分析方法、系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170238814A1 (en) * 2013-12-12 2017-08-24 Alivecor, Inc. Methods and systems for arrhythmia tracking and scoring
CN105078445A (zh) * 2015-08-24 2015-11-25 华南理工大学 基于健康服务机器人的老年人健康服务系统
CN107403061A (zh) * 2017-07-07 2017-11-28 中北大学 用户医疗评估模型构建方法和医疗评估服务器
CN107582037A (zh) * 2017-09-30 2018-01-16 深圳前海全民健康科技有限公司 基于脉搏波设计医疗产品的方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019142119A1 (zh) * 2018-01-19 2019-07-25 动析智能科技有限公司 一种基于混合传感的生理监测及分析方法、系统
CN109276242A (zh) * 2018-08-02 2019-01-29 深圳市理邦精密仪器股份有限公司 心电信号类型识别的方法和装置
CN110491500A (zh) * 2019-08-07 2019-11-22 王满 一种基于心脏功能动态监测与分析的身份识别系统及方法
CN111248879A (zh) * 2020-02-20 2020-06-09 电子科技大学 一种基于多模态注意力融合的高血压老年人活动分析方法
CN111248879B (zh) * 2020-02-20 2021-12-07 电子科技大学 一种基于多模态注意力融合的高血压老年人活动分析方法
CN111513730A (zh) * 2020-03-20 2020-08-11 合肥工业大学 基于多通道生理数据的心理压力预测方法和系统
CN111513730B (zh) * 2020-03-20 2023-06-09 合肥工业大学 基于多通道生理数据的心理压力预测方法和系统
CN111481185A (zh) * 2020-03-24 2020-08-04 南京润楠医疗电子研究院有限公司 一种基于射血前期的连续血压估计装置和方法
CN112598033A (zh) * 2020-12-09 2021-04-02 兰州大学 生理信号处理方法、装置、设备及存储介质
CN112598033B (zh) * 2020-12-09 2022-08-30 兰州大学 生理信号处理方法、装置、设备及存储介质
CN113693572A (zh) * 2021-07-21 2021-11-26 湖北智奥物联网科技有限公司 无创多维度动态健康管理系统及装置

Also Published As

Publication number Publication date
TWI700708B (zh) 2020-08-01
TW201933374A (zh) 2019-08-16
KR20200100131A (ko) 2020-08-25
JP2021511185A (ja) 2021-05-06
WO2019142119A1 (zh) 2019-07-25
US20210137391A1 (en) 2021-05-13

Similar Documents

Publication Publication Date Title
CN108095708A (zh) 一种基于混合传感的生理监测及分析方法、系统
Merdjanovska et al. Comprehensive survey of computational ECG analysis: Databases, methods and applications
Oresko et al. A wearable smartphone-based platform for real-time cardiovascular disease detection via electrocardiogram processing
Taji et al. False alarm reduction in atrial fibrillation detection using deep belief networks
CN107951485A (zh) 基于人工智能自学习的动态心电图分析方法和装置
CN104321013B (zh) 用于基于ecg信号来提供睡眠质量的视觉表示的方法和装置
WO2019161607A1 (zh) 心电信息动态监护方法和动态监护系统
EP3698709A1 (en) Electrocardiogram information processing method and electrocardiogram workstation system
WO2019161611A1 (zh) 心电信息处理方法和心电工作站
CN109691994A (zh) 一种基于心电图的心率监测分析方法
KR20190066332A (ko) 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법
CN113095302B (zh) 用于心律失常分类的深度模型、利用该模型的方法及装置
CN114052746A (zh) 运动心电数据处理方法、装置、计算机设备和存储介质
WO2014036651A1 (en) Method for multi-scale quality assessment for variability analysis
WO2012173583A1 (en) Method and device for evaluation of myocardial ischemia based on current density maps
CN114469041A (zh) 一种运动过程中心率变化数据特征分析方法
Madona et al. Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care
CN210354670U (zh) 一种基于混合传感的生理监测及分析系统
Begum et al. ECG sensor signal analysis to represent cases in a case-based stress diagnosis system
Shilvya et al. Obstructive Sleep Apnea Detection from ECG Signals with Deep Learning
TWI756793B (zh) 一種通道資訊處理系統
RU2751817C1 (ru) Компьютеризированный способ неинвазивного выявления нарушений углеводного обмена по вариабельности сердечного ритма и носимое автономное устройство для его реализации
CN114469123B (zh) 运动过程中的心电数据分类与健康特征识别方法
Konstantin et al. Noise-resilient Automatic Interpretation of Holter ECG Recordings
EP4371487A1 (en) Method for generating multiple pieces of standard electrocardiogram data on basis of deep learning algorithm

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180601