CN108652640B - 一种基于心电信号的无创血糖检测方法及系统 - Google Patents
一种基于心电信号的无创血糖检测方法及系统 Download PDFInfo
- Publication number
- CN108652640B CN108652640B CN201810119790.3A CN201810119790A CN108652640B CN 108652640 B CN108652640 B CN 108652640B CN 201810119790 A CN201810119790 A CN 201810119790A CN 108652640 B CN108652640 B CN 108652640B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignals
- blood sugar
- characteristic
- prrx
- blood glucose
- 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
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于心电信号的无创血糖检测方法及系统。本发明通过获取心电信号,及获取对应心电信号的pRRx序列,通过对pRRx序列进行线性分析和/或非线性分析,得到相应特征指标,将计算得到的特征指标和对应的血糖值作为输入和标签,进行机器学习,训练得到心电信号的特征指标与血糖值对应关系的模型函数;当要检测某个时间点的血糖值,通过获取该时间点之前的心电信号,计算并根据心电信号的特征指标,通过所述模型函数,得到该时间点的血糖值。与现有技术相比,通过无创采集心电信号作为源信号,成本低、安全有效,而且本方法的血糖检测过程计算量较小,算法复杂程度低,效率高。
Description
技术领域
本发明涉及无创血糖检测技术领域,具体涉及一种基于心电信号的无创血糖检测方法及系统。
背景技术
目前主流的血糖自我检测方法有两种,有创和微创。
有创侵入式血糖监测方法,需要一个血糖仪、采血针和血糖检测试纸。主要的原理是通过测量血液中的葡萄糖与试纸中的葡萄糖脱氢酶或者葡萄糖氧化酶反应产生的电流量测量血糖。这种方法的优点是测量结果较精确,缺点是脱氢酶对葡糖糖不具有单一性,容易产生假性血糖;氧化酶对葡萄糖具有单一性,但是容易受到氧化从而影响测量结果。同时这种有创的检测方法每次测量都需要更换采血针和试纸,耗材成本高;对于需要长期持续检测血糖水平的患者来说,多次采血会造成伤口不易愈合甚至继发感染。
微创侵入式血糖监测方法,需要一个插入皮肤下方的传感器、一个扫描检测仪。主要的原理是通过插入皮肤下方葡萄糖感应器监测皮下组织间液的葡萄糖浓度而反映血糖水平的监测技术。优点是每次测量不需要采血,缺点是每隔一段时间需要更换传感器,且由于测量的是组织液葡萄糖,当血糖水平快速变化时,组织液葡萄糖无法准确反映血糖水平。
现有的有创和微创两种血糖检测方法,本质上仍然是侵入性的,是有创的,且耗材成本高,对于糖尿病患者来说,是不小的经济负担。
目前的无创血糖检测技术中,比较常用的是近红外光谱技术、拉曼光谱技术以及多传感器数据融合技术,使用这些技术进行血糖检测时的常见难点包括:如何提高检测的灵敏度、消除各种噪声干扰、减小个体差异和测量条件的影响措施,以及检测数据分析处理方法。
发明内容
本发明主要解决的技术问题是现有血糖检测方法有创且成本高,无创方法存在信噪比低和数据处理困难的问题。
为解决上述技术问题,本发明提出一种基于心电信号的无创血糖检测方法,包括:获取心电信号;根据所述心电信号,计算对应血糖值。
另一方面,本发明还提出一种基于心电信号的无创血糖检测系统,包括:心电信号采集装置,用于采集待检测者的心电信号;处理器,用于执行如上所述的方法。
另一方面,本发明还提出一种基于心电信号的无创血糖检测产品,包括:存储器,用于存储程序;处理器,用于通过执行所述存储器存储的程序以实现如上所述的方法。
另一方面,本发明还提出一种计算机可读存储介质,包括程序,所述程序能够被处理器执行以实现如上所述的方法。
本发明采用的基于心电信号的无创血糖检测方法与现有技术相比,通过无创采集心电信号作为源信号,成本低、安全有效,而且本方法的血糖检测过程计算量较小,算法复杂程度低,效率高。
附图说明
图1为一种基于心电信号的无创血糖检测方法流程图;
图2为一种心电信号的特征指标与血糖值对应关系的模型函数建立方法流程图;
图3为一种基于心电信号的无创血糖检测系统示意图;
图4为一种基于心电信号的无创血糖检测产品示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
本发明提出的基于心电信号的无创血糖检测方法主要基于心电信号的RR间隔序列,所述RR间隔是指心电信号波形中相邻的R峰和R峰之间的时间间隔,RR间隔序列包括一段心电信号中的所有RR间隔。
本发明实施例一:请参照图1,一种基于心电信号的无创血糖检测方法,其包括A000步骤~A100步骤,下面具体说明:
A000:获取待检测者的心电信号。
A100:根据所述心电信号,计算对应血糖值。
在一实施例中,A100步骤包括:根据心电信号,计算心电信号的一个或多个特征指标,根据心电信号的特征指标,计算对应血糖值。
在一实施例中,心电信号的特征指标,包括:对心电信号的pRRx序列进行线性分析以得到一个或多个线性的特征指标,和/或进行非线性分析,以得到一个或多个非线性的特征指标。其中任意一段心电信号的pRRx序列通过以下方式计算得到:计算该段心电信号中相邻RR间期之差大于阈值x毫秒的数量与全部RR间期的数量的比值,通过设置值不同的阈值x,得到每一个阈值x对应的比值,这些比值构成了所述pRRx序列。在本实施例中,该比值用百分比表示,如式(1)所示:
根据所述心电信号的pRRx序列进行线性分析和/或非线性分析,可以得到一个或多个特征指标。
例如,线性分析获得的特征指标可以包括:pRRx序列的均值AVRR、pRRx序列的标准差SDRR、pRRx序列中相邻pRRx差值的均方根rMSSD、pRRx序列中相邻pRRx差值的标准差SDSD。
对每段心电信号的pRRx序列进行非线性分析,采用熵值分析法,即:根据现有技术,对于概率分布函数p(x)的随机变量集A,熵的定义如式(2)所示:
H(A)=-∑pA(x)logpA(x) (2)
可以获得的特征指标包括:
(1)pRRx序列直方分布信息熵Sdh是对pRRx序列的数值分布信息熵;
(2)pRRx序列功率谱直方分布信息熵Sph是对pRRx序列进行离散傅里叶变换得到功率谱,然后根据功率谱序列的数值分布计算其信息熵;
(3)pRRx序列功率谱全频段分布信息熵Spf是对pRRx序列进行离散傅里叶变换得到功率谱,在全频段[fs/N,fs/2](信号的采样频率为fs,采样点数为N)内插入i-1个分点f1,f2,...,fm-1,将全频段分割成i个子频段。把每个频段内的功率密度之和作为该频段的功率密度,则得到m个功率密度。将这i个功率密度归一化得到每个频段出现的概率pi,则∑ipi=1,相应的功率谱全频段熵如式(3)所示:
对每段心电信号的pRRx序列进行非线性分析,也可以采用下面四种分形维数计算分析方法可以得到如下的特征指标:
(1)结构函数法计算所得的分形维数Dsf,其中,结构函数法是指对于给定的序列z(x),定义增量方差为结构函数,其关系为:
对于若干个标度τ,对序列z(x)的离散值计算出相应的S(τ),然后画出logS(τ)-logτ的函数曲线,在无标度区进行线性拟合,得到斜率α,则对应分形维数Dsf与斜率α的转化关系如式(5)所示:
(2)相关函数法计算所得的分形维数Dcf,其中,相关函数法是指对于给定的序列z(x),相关函数C(τ)定义为式(6)所示:
C(τ)=AVE(z(x+τ)*z(x)),τ=1,2,3,...,N-1 (6)
其中,AVE(·)表示平均,τ表示两点距离。此时相关函数为幂型,由于不存在特征长度,则分布为分形,有C(τ)ατ-α。这时,画出logC(τ)-logτ的函数曲线,在无标度区进行线性拟合,得到斜率α,则对应分形维数Dcf与斜率α的转化关系如式(7)所示:
Dcf=2-α (7)
(3)变差法计算所得的分形维数Dvm,其中,变差法用宽为τ的矩形框首尾相接的将分形曲线覆盖起来,令第i个框内曲线的最大值和最小值之差为H(i),即为矩形的高度。将所有矩形的高和宽相乘得到总面积S(τ)。改变τ的大小,得到一系列的S(τ)。如式(8)所示:
画出logN(τ)-logτ的函数曲线,在无标度区进行线性拟合得到斜率α,则对应分形维数Dvm与斜率α的转化关系如式(7)所示。
(4)均方根法计算所得的分形维数Drms,其中,均方根法用宽为τ的矩形框首尾相接的将分形曲线覆盖起来,令第i个框内曲线的最大值和最小值之差为H(i),即为矩形的高度。计算这些矩形高度的均方根值S(τ)。改变τ的大小,得到一系列的S(τ)。画出logS(τ)-logτ的函数曲线,在无标度区进行线性拟合得到斜率α,则对应分形维数Drms与斜率α的转化关系如式(7)所示。
用于进行血糖值计算的心电信号特征指标是上述线性和/或非线性分析得到的特征指标中的一个、多个,或者是其中几个的集合,也可以是除本实施例所罗列之外的现有分析方法所得到的相应特征指标。
在一实施例中,A100步骤在根据心电信号的特征指标来计算对应血糖值时,可以预先建立心电信号的特征指标与血糖值对应关系的模型函数,将心电信号的特征指标输入模型函数,得到对应血糖值。例如,A100步骤可以通过机器学习和训练,来建立心电信号的特征指标与血糖值对应关系的模型函数,请参照图2所示。
如图2所示,A100步骤建立上述模型函数,可以包括A110~A112步骤,下面具体说明。
A110:预先获取若干个血糖值,及每个血糖值的时间点之前的一段心电信号。其中,所述获取若干个血糖值,包括空腹、餐前二小时、餐前一小时、餐前半小时、餐后半小时、餐后一小时和餐后二小时中多个时间点的血糖值,也可以根据需要增加获取血糖值的时间点;这个步骤中所述获取血糖值的方法可以采用现有技术中常用的、精准度高的方法,例如有创或微创血糖仪的检测结果,同时,对应每个血糖值需要获取心电信号,由于个体新陈代谢情况存在差异,每个采样者所需的心电信号时间长度并不相同,以实际建模效果为准,本实施例选取1~30分钟不同时间长度的心电信号。
A111:获取这些心电信号的特征指标。
A112:将这些心电信号的特征指标作为输入,这些心电信号对应的血糖值作为标签,进行机器学习,训练得到心电信号的特征指标与血糖值对应关系的模型函数。其中,所述预先获取的若干血糖值和心电信号都取自同一待测者,得到的血糖检测模型也用于同一待测者的无创血糖检测。此外,在进行机器学习时,将血糖值范围限定在3~25mmol/L,并按照步长1mmol/L将范围3~25mmol/L划分成22个区间。
根据上述步骤得到心电信号的特征指标与血糖值对应关系的模型函数后,再将A000步骤所获取待检测者的心电信号输入该模型函数,即可得到血糖值,完成无创血糖检测。
实施例二:一种基于心电信号的无创血糖检测系统,如图3所示,包括心电信号采集装置B00和处理器B10,下面具体说明:
心电信号采集装置B00,用于采集待检测者的心电信号;
处理器B10,用于执行上述任一实施例所述的基于心电信号的无创血糖检测方法。例如,处理器B10可以根据心电信号,计算心电信号的一个或多个特征指标,根据心电信号的特征指标,计算对应血糖值。另一方面,处理器B10可以预先建立心电信号的特征指标与血糖值对应关系的模型函数,将心电信号的特征指标输入模型函数,得到对应血糖值。处理器B10通过预先获取若干个血糖值,及每个血糖值的时间点之前的心电信号;获取这些心电信号的特征指标;将这些心电信号的特征指标作为输入,这些心电信号对应的血糖值作为标签,进行机器学习,训练得到心电信号的特征指标与血糖值对应关系的模型函数。
实施例三:一种基于心电信号的无创血糖检测产品C00,如图4所示,包括存储器C01和处理器C02,下面具体说明:
存储器C01,用于存储程序;
处理器C02,用于通过执行所述存储器存储的程序以实现上述任一实施例所述的基于心电信号的无创血糖检测方法。例如,处理器C02执行存储器C01中存储的程序,可以根据心电信号,计算心电信号的一个或多个特征指标,根据心电信号的特征指标,计算对应血糖值。另一方面,存储器C01中存储的程序还可以用于预先建立心电信号的特征指标与血糖值对应关系的模型函数,将心电信号的特征指标输入模型函数,得到对应血糖值。另一方面,处理器C02执行存储器C01中存储的程序,通过预先获取若干个血糖值,及每个血糖值的时间点之前的心电信号;获取这些心电信号的特征指标;将这些心电信号的特征指标作为输入,这些心电信号对应的血糖值作为标签,进行机器学习,训练得到心电信号的特征指标与血糖值对应关系的模型函数。
通过结合实施例一所述方法,使用实施例二和实施例三中的装置和部件,可以基于心电信号无创检测得到血糖值。这样的装置成本低、安全有效,而且血糖检测过程计算量较小,算法复杂程度低,效率高。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (6)
1.一种基于心电信号的无创血糖检测方法,其特征在于,包括:
预先建立心电信号的特征指标与血糖值对应关系的模型函数;
获取心电信号;
根据心电信号,计算心电信号的一个或多个特征指标,将心电信号的特征指标输入模型函数,根据心电信号的特征指标,计算得到对应血糖值;
心电信号的特征指标包括:对心电信号的pRRx序列进行线性分析以得到一个或多个线性的特征指标,和/或进行非线性分析,以得到一个或多个非线性的特征指标;其中任意一段心电信号的pRRx序列通过以下方式计算得到:计算该段心电信号中相邻RR间期之差大于阈值x毫秒的数量与全部RR间期的数量的比值,通过设置值不同的阈值x,得到每一个阈值x对应的比值,这些比值构成了所述pRRx序列。
2.如权利要求1所述方法,其特征在于,心电信号的特征指标,还包括:
所述线性分析获得的特征指标:pRRx序列的均值AVRR、pRRx序列的标准差SDRR、pRRx序列中相邻pRRx差值的均方根rMSSD、pRRx序列中相邻pRRx差值的标准差SDSD中的至少一者;和/或,
所述非线性的特征指标包括对所述pRRx序列进行熵值分析法所得到的特征指标,包括:pRRx序列直方分布信息熵Sdh、pRRx序列功率谱直方分布信息熵Sph、pRRx序列功率谱全频段分布信息熵Spf中的至少一者;和/或,所述非线性的特征指标包括所述pRRx序列进行分形维数计算分析所得到的特征指标,包括:结构函数法计算所得的分形维数Dsf、相关函数法计算所得的分形维数Dcf、变差法计算所得的分形维数Dvm、均方根法计算所得的分形维数Drms中的至少一者。
3.如权利要求1所述方法,其特征在于,所述预先建立心电信号的特征指标与血糖值对应关系的模型函数,包括:
预先获取若干个血糖值,及每个血糖值的时间点之前的心电信号;
获取这些心电信号的特征指标;
将这些心电信号的特征指标作为输入,这些心电信号对应的血糖值作为标签,进行机器学习,训练得到心电信号的特征指标与血糖值对应关系的模型函数。
4.一种基于心电信号的无创血糖检测系统,其特征在于,包括:
心电信号采集装置,用于采集待检测者的心电信号;
处理器,用于执行如权利要求1-3中任一项所述的方法。
5.一种基于心电信号的无创血糖检测产品,其特征在于,包括:
存储器,用于存储程序;
处理器,用于通过执行所述存储器存储的程序以实现如权利要求1-3中任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1-3中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810119790.3A CN108652640B (zh) | 2018-02-06 | 2018-02-06 | 一种基于心电信号的无创血糖检测方法及系统 |
PCT/CN2018/088428 WO2019153578A1 (zh) | 2018-02-06 | 2018-05-25 | 一种基于心电信号的无创血糖检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810119790.3A CN108652640B (zh) | 2018-02-06 | 2018-02-06 | 一种基于心电信号的无创血糖检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108652640A CN108652640A (zh) | 2018-10-16 |
CN108652640B true CN108652640B (zh) | 2019-12-31 |
Family
ID=63784782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810119790.3A Active CN108652640B (zh) | 2018-02-06 | 2018-02-06 | 一种基于心电信号的无创血糖检测方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108652640B (zh) |
WO (1) | WO2019153578A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859850B (zh) * | 2019-03-06 | 2022-12-06 | 东北大学 | 基于变分模态分解和极限学习机的血糖预测方法 |
CN110236522A (zh) * | 2019-05-28 | 2019-09-17 | 北京大学深圳研究生院 | 基于单导联心电图的健康筛查方法、系统及医疗设备 |
CN110236526B (zh) * | 2019-06-28 | 2022-01-28 | 李秋 | 基于咀嚼吞咽动作及心电活动的摄食行为分析和检测方法 |
CN111631729B (zh) * | 2020-05-14 | 2023-06-06 | 中国科学院深圳先进技术研究院 | 一种基于多模融合的低血糖预测方法和系统 |
CN113855007A (zh) * | 2021-08-27 | 2021-12-31 | 联卫医疗科技(上海)有限公司 | 一种用于血糖预测的机器学习模型样本获取的方法及装置 |
TWI823501B (zh) * | 2022-07-29 | 2023-11-21 | 中央研究院 | 基於光體積描記法的神經網絡之非侵入式血糖預測 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997015227A1 (en) * | 1995-10-26 | 1997-05-01 | Medtronic, Inc. | Continuous monitoring of diabetes-related blood constituents |
CN105193431A (zh) * | 2015-09-02 | 2015-12-30 | 杨静 | 一种人体精神压力状态分析装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2396844B1 (es) * | 2010-12-01 | 2014-01-27 | Universitat Politècnica De Catalunya | Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial |
CN105286851A (zh) * | 2015-11-05 | 2016-02-03 | 张宏业 | 血糖仪 |
-
2018
- 2018-02-06 CN CN201810119790.3A patent/CN108652640B/zh active Active
- 2018-05-25 WO PCT/CN2018/088428 patent/WO2019153578A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997015227A1 (en) * | 1995-10-26 | 1997-05-01 | Medtronic, Inc. | Continuous monitoring of diabetes-related blood constituents |
CN105193431A (zh) * | 2015-09-02 | 2015-12-30 | 杨静 | 一种人体精神压力状态分析装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108652640A (zh) | 2018-10-16 |
WO2019153578A1 (zh) | 2019-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108652640B (zh) | 一种基于心电信号的无创血糖检测方法及系统 | |
KR100954817B1 (ko) | 맥파신호분석을 이용한 혈관건강 및 스트레스 검사시스템 및 방법 | |
CN109276241B (zh) | 一种压力识别方法及设备 | |
Beyramienanlou et al. | Shannon’s energy based algorithm in ECG signal processing | |
Alcaraz et al. | Optimal parameters study for sample entropy-based atrial fibrillation organization analysis | |
US20150105666A1 (en) | Narrow band feature extraction from cardiac signals | |
KR101524226B1 (ko) | 신경망을 이용한 심장질환판별 방법 및 그 장치 | |
DK178263B1 (en) | Method and system of detecting seizures | |
US7412283B2 (en) | Method and system for processing electrocardial signals | |
KR101910982B1 (ko) | 개인화된 생체 신호 패턴을 이용한 생체 신호의 동잡음 제거 방법 및 장치 | |
CN104173064B (zh) | 基于心率变异分析的测谎方法及测谎装置 | |
CN110236573A (zh) | 心理压力状态的检测方法及相关装置 | |
CN108403107B (zh) | 一种心律失常判别方法及系统 | |
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 | |
CN111248928A (zh) | 压力识别方法及装置 | |
US9901277B2 (en) | Cycle length iteration for the detection of atrial activations from electrogram recordings of atrial fibrillation | |
CN107811631A (zh) | 心电信号质量评估方法 | |
CN112294272A (zh) | 监护仪及其不规则脉率识别方法 | |
Li et al. | Optimum heart sound signal selection based on the cyclostationary property | |
US8086303B2 (en) | Cardiac arrhythmias analysis of electrophysiological signals based on symbolic dynamics | |
CN115486849A (zh) | 心电信号质量评估方法、装置及设备 | |
CN108652604A (zh) | 一种基于心电信号的无气囊血压检测方法及系统 | |
CN104305958B (zh) | 一种极短时自主神经状态的光电容积波多参量分析方法 | |
Josko | Discrete wavelet transform in automatic ECG signal analysis | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 |
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 |