CN108492871A - 一种计算机可读存储介质及应用该介质的心率分析仪 - Google Patents
一种计算机可读存储介质及应用该介质的心率分析仪 Download PDFInfo
- Publication number
- CN108492871A CN108492871A CN201810119122.0A CN201810119122A CN108492871A CN 108492871 A CN108492871 A CN 108492871A CN 201810119122 A CN201810119122 A CN 201810119122A CN 108492871 A CN108492871 A CN 108492871A
- Authority
- CN
- China
- Prior art keywords
- frequency range
- heart rate
- rri
- readable storage
- computer readable
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 230000003595 spectral effect Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012952 Resampling Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 13
- 101100441224 Candida albicans (strain SC5314 / ATCC MYA-2876) JAB1 gene Proteins 0.000 claims description 12
- 101100329574 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) csn-5 gene Proteins 0.000 claims description 12
- 101150017452 RRI1 gene Proteins 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 101150079982 RRI2 gene Proteins 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000001228 spectrum Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004451 qualitative analysis Methods 0.000 description 3
- 230000002889 sympathetic effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 206010027951 Mood swings Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 210000005037 parasympathetic nerve Anatomy 0.000 description 1
- 238000000718 qrs complex Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000001515 vagal effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种计算机可读存储介质及应用该介质的心率分析仪,涉及心率传感技术领域,其心率分析仪输出心率数据的过程实现以下步骤:步骤一:根据PPG心率传感器输出的数据得到RRI序列;步骤二:对RRI序列进行去趋势分析;步骤三:重采样得到均匀分布的RRI序列;步骤四:加海明窗将均匀分布的RRI序列分成重叠的小段序列;步骤五:对每段序列进行功率谱估计;步骤六:计算各频段的功率谱估计的平均值;步骤七:分别对各个频段的功率谱估计的平均值进行积分得到超低频段ULF、极低频段VLF、低频段LF、高频段HF这四个频段的功率值,并将各个频段的功率值相加求出信号总功率TP,该心率分析仪可利用更简单的方法将获取到的心率数据处理成准确率更高的心率数据供用户使用。
Description
技术领域
本发明涉及心率传感技术领域,特别是涉及一种计算机可读存储介质及应用该介质的心率分析仪。
背景技术
随着智能可穿戴式设备普及程度的逐渐提高以及用户对产品认知程度的不断上升,全球可穿戴式设备市场正在加速发展。目前,市场上智能可穿戴产品日新月异,更新换代的频率比较高,这反映了人们对智能可穿戴领域的需求比较旺盛,尤其在有关健康测评的领域。而在最近发现,心率变异性的测量评估对健康有着重大的参考价值及分析评估的意义。因此,带有心率变异性检测功能的智能可穿戴式产品有着巨大的市场价值,而带有PPG心率传感器的产品能够满足带有心率变异性检测分析功能的智能可穿戴式产品的需求。
现有技术的带有PPG心率传感器的产品,其存在以下的缺陷:
1.采集的数据不稳定:在数据采集期间易受机械抖动、受测者情绪波动以及肢体活动等因素造成的影响致使数据偏差,从而造成HRV分析不准确。
2.HRV分析所采用的算法不严谨以及不准确而造成的HRV分析不准确。
发明内容
本发明的目的在于避免现有技术中的不足之处而提供一种计算机可读存储介质及应用该介质的心率分析仪,该计算机可读存储介质及应用该介质的心率分析仪可利用更简单的方法将获取到的心率数据处理成准确率更高的心率数据供用户使用,进而实现心率变异性的定性分析。
本发明的目的通过以下技术方案实现:
提供一种计算机可读存储介质,其存储有基于PPG心率传感器的HRV分析的计算机程序,其特征在于:该程序被处理器执行时实现以下步骤:
步骤一:根据PPG心率传感器输出的数据得到RRI序列(R-R interval的缩写,RR间期的意思);
步骤二:对RRI序列进行去趋势分析;
步骤三:重采样得到均匀分布的RRI序列;
步骤四:将均匀的RRI序列分成重叠的小段序列,在每一小段序列上加海明窗预处理;
步骤五:对每段序列进行功率谱估计;
步骤六:计算各频段的功率谱估计的平均值;
步骤七:分别对各个频段的功率谱估计的平均值进行积分得到超低频段ULF、极低频段VLF、低频段LF、高频段HF这四个频段的功率值。
步骤八:将各个频段的功率值相加求出信号总功率TP。
其中步骤三的重采样具体是:采样时间分为5min的短期粗略采样和24h的长期精准采样两种采样方式。
其中,线性内插具体是:在间隔不相等的RRI时间序列中插入一个值,使得该RRI序列的间隔相等,所插入的值为X(n)=D2*RRI1/(D1+D2)+D1*RRI1/(D1+D2),其中,RRI1和RRI2分别为插值前与插值后的R-R间期序列值,D1和D2分别为X(n)将要插入的位置与RRI1和RRI2所在位置的时间间距。
其中去趋势判定是根据以下公式形成双对数坐标:
然后,在双对数坐标(ln(n),ln(F(n)))中的散点图,用最小二乘法对数据点进行拟合得到曲线,利用曲线的直线部分的斜率(即h指数)来判断心率趋势,进而做去趋势判定。
其中,判断心率趋势的具体方法是:
(1)当斜率h>1时,说明RRI时序存在不合理的数据,应该舍弃序列;
(2)当0.5<斜率h<1时,说明时间序列具有长程相关性,呈现出心率变异性变化趋势不断增强的状态,即在某一时间段是递增/递减的趋势,下一个时间段也会是递增/递减的趋势,且h越接近于1,相关性越强;
(3)当斜率h=0.5时,说明RRI时间序列不相关,是一个独立的随机过程,即当前心率变异性的状态不会影响将来状态;
(4)当0<斜率h<0.5时,说明RRI时序只存在负的相关性,呈现反持久性的状态,即RRI时序在某一个时间段是递增/递减的趋势,则在下一个时间段是递减/递增的趋势。
其中,步骤四:分成重叠的小段序列:通过加海明窗,分成重叠的小段序列,分段大小为16,海明窗函数如下:
其中,步骤五:对每段序列进行功率谱估计具体是:每段序列都经过傅里叶变换,再经过与其共轭的平方并除以16,得到相应序列段的功率谱估计。
其中,步骤六:计算各频段的功率谱估计的平均值具体是:分别统计落入超低频段ULF、极低频段VLF、低频段LF、高频段HF的分段个数,分别求出超低频段ULF、极低频段VLF、低频段LF、高频段HF内功率谱估计的平均值,功率谱估计的平均值=同个频段内各个分段的功率谱估计之和/分段个数。
本发明还提供一种心率分析仪,包括处理器和以上所述的计算机可读存储介质,该计算机可读存储介质上的计算机程序可被处理器执行。
本发明的有益效果:本发明的一种心率分析仪,对RRI序列进行去趋势分析,因为传感器在前期会将异常的PPG数据也输入到心率分析仪中去,造成分析结果异常,去趋势分析可以剔除异常序列,重采样可以使心率序列分布更均匀,平滑,使分析出的结果更准确,重叠分段可以防止频率泄露,对分段数据进行功率谱估计,计算各频段的功率谱估计的平均值,对各个频段的功率谱估计的平均值进行频段内积分,得到超低频带ULF(1.15×10-5-0.0033Hz)、极低频段VLF(0.0033至0.04Hz)、低频段LF(0.04至0.15Hz)、高频段HF(0.15至0.4Hz)这四个频段的功率值,可避免单体数据造成较大的误差,使分析出来的心率数据更准确。因此,本发明可利用更简单的方法将获取到的心率数据处理成准确率更高的心率数据供用户使用,进而实现心率变异性的定性分析。
附图说明
利用附图对发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的一种计算机可读存储介质的流程图。
具体实施方式
结合以下实施例对本发明作进一步描述。
本实施例的一种心率分析仪,其处理器在获取心率数据时,执行以下步骤,可参考图1:
步骤一:根据PPG心率传感器输出的数据得到RRI序列(R-R interval的缩写,RR间期的意思)。
步骤二:对RRI序列进行去趋势分析,因为传感器在前期会将异常的PPG数据也输入到心率分析仪中去,造成分析结果异常,去趋势分析可以剔除异常序列。
其中,去趋势判定是根据以下公式形成双对数坐标:
在双对数坐标(ln(n),ln(F(n)))中的散点图,用最小二乘法对数据点进行拟合得到曲线,利用曲线的直线部分的斜率(即h指数)来判断心率趋势,进而做去趋势判定。
其中,判断心率趋势的具体判断方法是:
(1)当斜率h>1时,说明RRI时序存在不合理的数据,应该舍弃序列;
(2)当0.5<斜率h<1时,说明时间序列具有长程相关性,呈现出心率变异性变化趋势不断增强的状态,即在某一时间段是递增(递减)趋势,下一个时间段也会是递增(递减)趋势,且h越接近于1,相关性越强;
(3)当斜率h=0.5时,说明RRI时间序列不相关,是一个独立的随机过程,即当前心率变异性的状态不会影响将来状态;
(4)当0<斜率h<0.5时,说明RRI时序只存在负的相关性,呈现反持久性的状态,即RRI时序在某一个时间段是递增(递减)的趋势,则在下一个时间段是递减(递增)的趋势。
步骤三:resample重采样得到均匀分布的RRI序列,重采样可以使心率序列分布更均匀,平滑,使分析出的结果更准确,采样时间可分为5min的短期粗略采样和24h的长期精准采样两种采样方式。
重采样具体如下:
对RRI序列进行线性内插从而获得等间隔的RRI时间序列。线性内插具体是:在间隔不相等的RRI时间序列中插入一个值,使得该RRI序列的间隔相等,所插入的值为X(n)=D2*RRI1/(D1+D2)+D1*RRI1/(D1+D2),其中,RRI1和RRI2分别为插值前与插值后的R-R间期序列值,D1和D2分别为X(n)将要插入的位置与RRI1和RRI2所在位置的时间间距。
重采样还可将不规则的原始序列变成均匀分布的序列,方便后续的傅里叶变换。
步骤四:将均匀的RRI序列分成重叠的小段序列,在每一小段序列上加海明窗预处理,
比如,分段大小为16,Hamming窗函数如下所示:
每段序列都经过傅里叶变换,再经过与其共轭的平方并除以16,得到相应段的功率谱估计,最后分别统计落入超低频带(ULF,1.15×10-5-0.0033Hz)、极低频段VLF(0.0033至0.04Hz)、低频段LF(0.04至0.15Hz、高频段HF(0.15至0.4Hz)区域的分段个数,分别求出超低频段、极低频段、低频段、高频段内功率谱估计的平均值(即求出频段功率谱密度,频段功率谱密度=分段功率谱密度之和/分段个数)。
重叠分段可以防止频率泄露,加窗采集可以将近似无限的数据量周期性地分成有限的序列,从而方便后续的傅里叶变换。
步骤五:对分段数据进行功率谱估计(即计算功率谱密度);
步骤六:计算各频段的功率谱估计的平均值;
步骤七:对各个频段的功率谱估计的平均值进行频段内积分,得到超低频带ULF(1.15×10-5-0.0033Hz)、极低频段VLF(0.0033至0.04Hz)、低频段LF(0.04至0.15Hz)、高频段HF(0.15至0.4Hz)这四个频段的功率值;
步骤八:将各个频段的功率值相加求出信号总功率TP。
步骤五至步骤七的做法可避免单体数据造成较大的误差,使分析出来的心率数据更准确。
再举个例子:
例如低频段VLF(0.04-0.15Hz),以段长为5将低频段进行重叠分段,分段个数为24,在每个分段上加海明窗(Hanmming窗)采集,求出相应分段功率谱密度Pi,则低频段的功率谱密度的平均值为:该频段的功率值为:
同理,每一频段内存在多个重叠的分段,通过将该频段内的多个分段的功率谱密度(即功率谱估计)Pi累加平均,得出的平均值即是该频段功率谱密度P,利用P进行积分求和,进而得出其它频段的功率值,用来进行HRV分析(心率变异性分析)。
根据实际的应用场景,获取相应的频段的功率值做分析。例如,检测深度睡眠,主要看ULF(1.15×10-5-0.0033Hz)、极低频段VLF(0.0033至0.04Hz)、高频段HF(0.15至0.4Hz)上的功率值就可以了;检测运动是否过量,看低频段LF(0.04至0.15Hz)上的功率。
本实施例还可将各个频段的功率值相加求出信号总功率TP。
信号总功率TP:是全部正常心跳间期(心电图两个QRS综合波之间的间期,即RR间期)的变异数,即高频、低频、极低频、超低频的功率总和,用于评估一整天的心率变异性。
各指标如下:
[1]高频带(HF,0.15-0.40Hz):有迷走神经介导,主要代表呼吸变异。
[2]低频带(LF,0.04-0.15Hz)受交感神经和副交感神经共同影响。
[3]极低频带(VLF,0.01-0.04Hz):可作为交感神经活动的指标。
[4]超低频带(ULF,1.15×10-5-0.0033Hz):生理意义不明。
[5]总频谱(TF):是信号总的变异性,代表HF、LF、VLF、ULF的总和。
[6]标准化低频LF(TP-VLF):交感神经活性的定量指标。
这些指标的功率值大小表示活性\活动的强弱,根据不同的应用场景,有着不同的意义,由应用者决定选用哪些频带的功率值来进行HRV分析。
本实施例的一种心率分析仪,可利用更简单的方法将获取到的心率数据处理成准确率更高的心率数据供用户使用,进而实现心率变异性的定性分析。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (10)
1.一种计算机可读存储介质,其存储有基于PPG心率传感器的HRV分析的计算机程序,其特征在于:该程序被处理器执行时实现以下步骤:
步骤一:根据PPG心率传感器输出的数据得到RRI序列;
步骤二:对RRI序列进行去趋势分析;
步骤三:重采样得到均匀分布的RRI序列;
步骤四:将均匀的RRI序列分成重叠的小段序列,在每一小段序列上加海明窗预处理;
步骤五:对每段序列进行功率谱估计;
步骤六:计算各频段的功率谱估计的平均值;
步骤七:分别对各个频段的功率谱估计的平均值进行积分得到超低频段ULF、极低频段VLF、低频段LF、高频段HF这四个频段的功率值。
2.如权利要求1所述的一种计算机可读存储介质,其特征在于:步骤三的重采样具体是:采样时间分为短期粗略采样和长期精准采样两种采样方式。
3.如权利要求1或2所述的一种计算机可读存储介质,其特征在于:步骤三的重采样具体是:对RRI序列进行线性内插从而获得等间隔的RRI时间序列。
4.如权利要求3所述的一种计算机可读存储介质,其特征在于:线性内插具体是:在间隔不相等的RRI时间序列中插入一个值,使得该RRI序列的间隔相等,所插入的值为X(n)=D2*RRI1/(D1+D2)+D1*RRI1/(D1+D2),其中,RRI1和RRI2分别为插值前与插值后的R-R间期序列值,D1和D2分别为X(n)将要插入的位置与RRI1和RRI2所在位置的时间间距。
5.如权利要求1所述的一种计算机可读存储介质,其特征在于:去趋势判定是根据以下公式形成双对数坐标:
然后,在双对数坐标(ln(n),ln(F(n)))中的散点图,用最小二乘法对数据点进行拟合得到曲线,利用曲线的直线部分的斜率来判断心率趋势,进而做去趋势判定。
6.如权利要求5所述的一种计算机可读存储介质,其特征在于:判断心率趋势的具体方法是:
(1)当斜率h>1时,说明RRI时序存在不合理的数据,应该舍弃序列;
(2)当0.5<斜率h<1时,说明时间序列具有长程相关性,呈现出心率变异性变化趋势不断增强的状态,即在某一时间段是递增/递减的趋势,下一个时间段也会是递增/递减的趋势,且斜率h越接近于1,相关性越强;
(3)当斜率h=0.5时,说明RRI时间序列不相关,是一个独立的随机过程,即当前心率变异性的状态不会影响将来状态;
(4)当0<斜率h<0.5时,说明RRI时序只存在负的相关性,呈现反持久性的状态,即RRI时序在某一个时间段是递增/递减的趋势,则在下一个时间段是递减/递增的趋势。
7.如权利要求1所述的一种计算机可读存储介质,其特征在于:步骤四:分成重叠的小段序列:通过加海明窗,分成重叠的小段序列,海明窗函数如下:
8.如权利要求1所述的一种计算机可读存储介质,其特征在于:步骤五:对每段序列进行功率谱估计具体是:每段序列都经过傅里叶变换,再经过与其共轭的平方并除以分段的数量,得到相应序列段的功率谱估计。
9.如权利要求8所述的一种计算机可读存储介质,其特征在于:步骤六:计算各频段的功率谱估计的平均值具体是:分别统计落入超低频段ULF、极低频段VLF、低频段LF、高频段HF的分段个数,分别求出超低频段ULF、极低频段VLF、低频段LF、高频段HF内功率谱估计的平均值,功率谱估计的平均值=同个频段内各个分段的功率谱估计之和/分段个数。
10.一种心率分析仪,包括处理器,其特征在于:还包括权利要求1至9中任一项所述的计算机可读存储介质,该计算机可读存储介质上的计算机程序可被处理器执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810119122.0A CN108492871A (zh) | 2018-02-06 | 2018-02-06 | 一种计算机可读存储介质及应用该介质的心率分析仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810119122.0A CN108492871A (zh) | 2018-02-06 | 2018-02-06 | 一种计算机可读存储介质及应用该介质的心率分析仪 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108492871A true CN108492871A (zh) | 2018-09-04 |
Family
ID=63344577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810119122.0A Pending CN108492871A (zh) | 2018-02-06 | 2018-02-06 | 一种计算机可读存储介质及应用该介质的心率分析仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492871A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109998513A (zh) * | 2019-01-25 | 2019-07-12 | 芯海科技(深圳)股份有限公司 | 在人体阻抗信号中计算hrv信号的错误处理方法 |
CN110931127A (zh) * | 2019-11-26 | 2020-03-27 | 佳禾智能科技股份有限公司 | 有效rri数值采集方法、智能穿戴电子设备、计算机可读存储介质 |
CN111084622A (zh) * | 2019-12-20 | 2020-05-01 | 东南大学 | 一种静息态功能核磁共振信号的去趋势波动分析方法 |
CN111783851A (zh) * | 2020-06-16 | 2020-10-16 | 西安外事学院 | 一种基于中枢点的时间序列趋势动态分段方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104161509A (zh) * | 2014-08-08 | 2014-11-26 | 申岱 | 一种基于幅值谱的心率变异性分析方法及仪器 |
CN106419937A (zh) * | 2016-09-12 | 2017-02-22 | 南京邮电大学 | 基于心音hrv理论的精神压力分析系统 |
CN107049255A (zh) * | 2017-04-13 | 2017-08-18 | 海能电子(深圳)有限公司 | 一种穿戴式智能设备及其睡眠算法 |
-
2018
- 2018-02-06 CN CN201810119122.0A patent/CN108492871A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104161509A (zh) * | 2014-08-08 | 2014-11-26 | 申岱 | 一种基于幅值谱的心率变异性分析方法及仪器 |
CN106419937A (zh) * | 2016-09-12 | 2017-02-22 | 南京邮电大学 | 基于心音hrv理论的精神压力分析系统 |
CN107049255A (zh) * | 2017-04-13 | 2017-08-18 | 海能电子(深圳)有限公司 | 一种穿戴式智能设备及其睡眠算法 |
Non-Patent Citations (4)
Title |
---|
吕瑞雪: ""围产期抑郁症量化诊断系统的研发"", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
曹征涛 等: ""星状神经节后心下交感神经放电活动的DFA分析"", 《中国医学物理学杂志》 * |
曾超 等: ""驾驶员疲劳状态生理信号的DFA"", 《传感器与微系统》 * |
谷立臣 等: "《工程信号分析与处理技术》", 28 February 2017, 西安电子科技大学出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109998513A (zh) * | 2019-01-25 | 2019-07-12 | 芯海科技(深圳)股份有限公司 | 在人体阻抗信号中计算hrv信号的错误处理方法 |
CN109998513B (zh) * | 2019-01-25 | 2022-04-19 | 芯海科技(深圳)股份有限公司 | 在人体阻抗信号中计算hrv信号的错误处理方法 |
CN110931127A (zh) * | 2019-11-26 | 2020-03-27 | 佳禾智能科技股份有限公司 | 有效rri数值采集方法、智能穿戴电子设备、计算机可读存储介质 |
CN110931127B (zh) * | 2019-11-26 | 2023-09-12 | 佳禾智能科技股份有限公司 | 有效rri数值采集方法、智能穿戴电子设备、计算机可读存储介质 |
CN111084622A (zh) * | 2019-12-20 | 2020-05-01 | 东南大学 | 一种静息态功能核磁共振信号的去趋势波动分析方法 |
CN111783851A (zh) * | 2020-06-16 | 2020-10-16 | 西安外事学院 | 一种基于中枢点的时间序列趋势动态分段方法 |
CN111783851B (zh) * | 2020-06-16 | 2023-08-11 | 西安外事学院 | 一种基于中枢点的时间序列趋势动态分段方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | An Adaptive and Time‐Efficient ECG R‐Peak Detection Algorithm | |
CN108492871A (zh) | 一种计算机可读存储介质及应用该介质的心率分析仪 | |
US10345291B2 (en) | Dropout detection in continuous analyte monitoring data during data excursions | |
US9042973B2 (en) | Apparatus and method for measuring physiological signal quality | |
US9247911B2 (en) | Devices and methods for real-time denoising of electrocardiograms | |
Narin et al. | Investigating the performance improvement of HRV Indices in CHF using feature selection methods based on backward elimination and statistical significance | |
KR102008196B1 (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
US20090171227A1 (en) | Systems for safe and remote outpatient ecg monitoring | |
CN107688553B (zh) | 基于小波变换和逻辑回归算法检测心电波形特征的方法 | |
US20060089559A1 (en) | Realtime monitoring and analysis of heart-beat dynamics | |
JP2010051387A (ja) | 睡眠呼吸障害の無呼吸発作又は低呼吸発作に伴うcvhrの検出装置 | |
US9936889B2 (en) | Apparatus and method of controlling threshold for detecting peaks of physiological signals | |
CN109938719B (zh) | 一种基于生理参数的驾驶员疲劳检测方法 | |
CN105411579B (zh) | 一种心电图r波检测方法及装置 | |
CN114469131A (zh) | 自适应实时心电信号质量评估方法 | |
JP2006271474A (ja) | 睡眠状態推定装置 | |
Hao et al. | Adaptive r-peak detection algorithm based on brown exponential smoothing model | |
US20190269373A1 (en) | Biosignal processing method and apparatus | |
Christov et al. | Fully automated method for QT interval measurement in ECG | |
KR101941172B1 (ko) | 생체 신호의 피크를 검출하는 임계값 제어 방법 및 장치. | |
CN114073498A (zh) | 监护设备及其生理参数处理方法 | |
Kudrynski et al. | Real-time estimation of the spectral parameters of heart rate variability | |
Fischer et al. | Multi-and monofractal indices of short-term heart rate variability | |
Gouveia et al. | Time domain baroreflex sensitivity assessment by joint analysis of spontaneous SBP and RR series | |
CN112932424B (zh) | 一种数据获取方法及系统 |
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 |
Application publication date: 20180904 |
|
RJ01 | Rejection of invention patent application after publication |