CN108962395A - 一种基于并行分数阶生理信号实时采集和分析方法 - Google Patents
一种基于并行分数阶生理信号实时采集和分析方法 Download PDFInfo
- Publication number
- CN108962395A CN108962395A CN201811038195.3A CN201811038195A CN108962395A CN 108962395 A CN108962395 A CN 108962395A CN 201811038195 A CN201811038195 A CN 201811038195A CN 108962395 A CN108962395 A CN 108962395A
- Authority
- CN
- China
- Prior art keywords
- physiological signal
- sequence
- rank
- fractional order
- 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.)
- Granted
Links
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
- 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
-
- 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
- A61B5/24—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]
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- General Business, Economics & Management (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
基于并行分数阶生理信号实时采集和分析方法,属于人工智能和信息技术在医疗领域的应用,本发明通过抽象层读取生理传感器数据;通过远程接口将生理信号数据传递给服务端;采用分数阶指标分析生理信号,首先将上传的生理信号和历史数据合成生理信号数据序列,将此序列和不同的分数阶阶数作为输入参数,传递给N个Map端,每个Map端计算出对应阶数微分序列的稳定性和方差,并将结果传递给Reduce端,Reduce端计算出分数阶生理信号指数返回给客户端;如果该指数不在正常范围内,客户端发出报警信息给用户。本发明提供了一种简便、安全和高效的生理信号分析方法,可广泛应用于智能健康服务、智慧养老,人机交互等领域。
Description
技术领域
本发明涉及人工智能领域在智慧健康监护中的应用,具体为一种基于并行分数阶生理信号实时采集和分析方法。
背景技术
随着新一代信息技术的发展,智能终端设备和可穿戴医疗传感设备也越来越普及。通过这类设备,使得便捷地读取人们的生理信号,并及时分析成为可能。实时分析人们的生理信号是智慧健康、智慧养老、智能驾驶等领域应用的重要基础,具有非常大的应用价值和广泛的应用范围。
传统的生理信号分析主要采用时域分析,频域分析,时域和频域分析结合的方法,与传统的方法相比,由于人的生理信号呈现分数阶的特性,将一种新的分数阶指标应用于生理信号分析更能反映出人的生理状态。由于移动设备运算能力的限制,采用基于Map/Reduce集群的方式实现云端加速提高生理信号分析计算效率,使得基于智能移动终端的实时生理信号分析成为可能。
发明内容
本发明的目的在于提供一种基于并行分数阶生理信号实时采集和分析方法,以解决传统生理信号分析方法的精度问题和移动智能终端设备机载能力无法支持实时信号分析约束的问题。
本发明为解决上述技术问题采用以下技术方案:
一种基于并行分数阶生理信号实时采集和分析方法,包括以下步骤:
步骤1:数据采集,
步骤1a:当移动终端启动后将所支持的传感器和通信协议注册到虚拟表中,表中包括设备类型、通信协议、通信参数、通信方法、格式信息。
步骤1b:当移动终端连接到传感器后,根据连接信息识别出通信协议和传感器类型调用虚拟表注册的方法获取生理信号数据。
步骤1c:对生理信号数据进行格式化处理,存储到移动终端的数据库中。
步骤2:数据传输,
步骤2a:移动终端定时读取本地数据库,将新的生理信号通过远程接口上传到远程服务端。
步骤2b:服务端将接收到的生理信号数据存储到分布式数据库中。
步骤3:并行分数阶生理信号分析,
步骤3a:采用分数阶指标分析生理信号,首先将上传的最新生理信号和历史数据合成一个生理信号数据序列,将此序列和不同阶数作为输入参数,传递给不同的Map端。
步骤3b:并行执行生理信号N个基于不同阶数的分数阶微分序列计算,每个Map端计算过程如下:
(1)根据该Map端输入的分数阶微分迭代计算分数阶系数序列,计算方法如下:
其中α是该Map端输入的阶数,Cα是基于α阶的系数序列,j是下标,Cα[j]代表系数序列的第j个元素。
(2)根据系数序列和生理信号序列数据迭代计算生理信号的分数阶微分序列,计算方法如下:
其中RR是生理信号序列,RR[k-j]代表生理信号序列的第k-j个元素,Cα是α阶的系数序列,DaSeq是α阶的微分序列,k是下标,DaSeq[k]代表微分序列第k个元素。
(3)计算生理信号α阶分数阶微分序列的稳定性βα和方差εα。
其中为α阶分数阶微分序列的均值,M为序列的长度,k是下标。ρa[k]代表的是α阶分数阶微分序列中第k个元素与均值的偏差程度。当序列中大部分元素与均值偏差较小的时候,表示该序列比较稳定。
α阶分数阶微分序列的稳定性βα计算方式如下:
M为序列的长度,Q为分数阶微分序列的值落到均值10%范围内的个数,即ρα[k]的值小于0.1的个数。
α阶分数阶微分序列的方差εα计算方式如下:
其中为α阶分数阶微分序列的均值,M为分数阶微分序列的长度。
步骤3c:Reduce端计算出分数阶指标FI1和FI2,计算过程如下。
(1)从N个Map端接收不同分数阶微分序列的稳定性βα和方差εα值,阶数α的取值范围在0和1之间。
(2)将不同分数阶的稳定性和方差值进行排序,以稳定性最好和方差最小的阶数α作为生理信号某个时间段的分数阶指标FI1和FI2。
步骤4:数据展现,
通过可视化的方式展现结果,当结果不在阀值内,移动客户端显示报警信息给用户。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明将分数阶和云计算技术相结合,由于生理信号的分数阶特性使得本发明具有逻辑结构简单、精度高、易于软硬件实现的优点,同时由于分数阶的运算是可以通过Map/Reduce集群并行计算的,因此执行效率要高于传统的生理信号分析方法,令本发明具有高效的优点,可以实现生理信号的实时采集与分析。
附图说明
图1为本发明的并行分数阶生理信号实时采集和分析方法框架图。
图2为本发明的并行分数阶生理信号实时采集和分析方法流程图。
图3为本发明的生理信号实时采集流程图。
图4为本发明的生理信号实时上传流程图。
图5为本发明的生理信系实时分析流程图。
图6为本发明的2名心因性猝死人群的心电数据分析结果图。
图7为本发明的4名具有心脏疾病人的心电数据分析结果图。
图8为本发明的4名健康人的心电数据分析结果图。
图9为本发明的2名驾驶员的肤电数据分析结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明主要涉及基于家庭、养老机构等环节中的生理信号采集和分析系统。包括移动终端系统、数据处理模块、Map/Reduce集群。所述移动智能终端系统包括生理信号采集、分析结果展现和人机交互三个模块。采集模块采集的信息来源于生理信号传感器,可以是心电信号、呼吸信号、皮肤电反应等形式的信号。智能终端系统可以运行在不同的诸如平板电脑、智能手机、智能机顶盒、定制终端等设备上。所述核心处理模块接受移动终端上传的数据,合并历史数据和新数据,生成阶数参数。所述Map/Reduce集群实现分布式并行分数阶生理信号分析。
实施例1
如图2所示,基于并行分数阶生理信号实时采集和分析方法处理步骤分为以下四个流程:数据采集、数据传输、并行分数阶生理信号分析和数据展现。
步骤1:如图3所示,从传感器中采集生理信号,
步骤1a:当移动终端启动后,将其所支持的传感器和通信协议注册到虚拟表中,表中包括设备类型、通信协议、通信参数、通信方法、格式信息。
步骤1b:判断传感器数据是否可读,如果可读根据连接信息识别出通信协议和传感器类型调用虚拟表注册的方法获取生理信号数据,如果不可读,休眠10毫秒后继续判断传感器是否可读。
步骤1c:格式化生理信号数据,存储到移动终端SQLite数据库中,休眠10毫秒后继续判断传感器是否可读。
步骤2:如图4所示,使用Restful接口实现本地数据上传,
步骤2a:移动终端定时读取本地数据库,将生理信号使用Http协议通过Rest架构上传到远程服务端。远程服务端通过统一资源标识符来识别,Post请求更新数据,数据采用JSON格式,使用状态响应代码来描述业务逻辑的执行结果。
步骤2b:服务端将接收到的生理信号数据存储到分布式数据库Hbase中。服务端处理程序访问Zookeeper,获取元数据信息,找到对应区域服务器,将数据分别写到Hlog和MemStore上。
步骤3:如图5所示,采用Map/Reduce集群实现并行分布式分数阶生理信号分析,
(1)根据该Map端输入的分数阶微分迭代计算分数阶系数序列,计算方法如下:
其中α是该Map端输入的阶数,Cα是基于α阶的系数序列,j是下标,Cα[j]代表系数序列的第j个元素。
(2)根据系数序列和生理信号序列数据迭代计算生理信号的分数阶微分序列,计算方法如下:
其中RR是生理信号序列,RR[k-j]代表生理信号序列的第k-j个元素,Cα是α阶的系数序列,DaSeq是α阶的微分序列,k是下标,DaSeq[k]代表微分序列第k个元素。
(3)计算生理信号α阶分数阶微分序列的稳定性βα和方差εα。
其中为α阶分数阶微分序列的均值,M为序列的长度,k是下标。ρa[k]代表的是α阶分数阶微分序列中第k个元素与均值的偏差程度。当序列中大部分元素与均值偏差较小的时候,表示该序列比较稳定。
α阶分数阶微分序列的稳定性βα计算方式如下:
M为序列的长度,Q为分数阶微分序列的值落到均值10%范围内的个数,即ρα[k]的值小于0.1的个数。
α阶分数阶微分序列的方差εα计算方式如下:
其中为α阶分数阶微分序列的均值,M为分数阶微分序列的长度。
步骤3c:Reduce端计算出分数阶指标FI1和FI2,计算过程如下。
(1)从N个Map端接收不同分数阶微分序列的稳定性βα和方差εα值,阶数α的取值范围在0和1之间。
(2)将不同分数阶的稳定性和方差值进行排序,以稳定性最好和方差最小的阶数α作为生理信号某个时间段的分数阶指标FI1和FI2。
步骤4:数据展现,
通过可视化的方式展现结果,当结果不在阀值内,移动客户端显示报警信息给用户。
实施例2
本实施例提供一种基于分数阶并行分布心电信号的实时采集和分析。心电信号是一种重要的生理信号,可以作为一个重要指标来反应人们生理和心理状态,常用于心脏疾病诊断,压力测试,脱水状态和睡眠状态评估等。本实施例中移动终端采用基于Android平台的定制终端设备,使用Apache Flink大数据计算框架搭建Map/Reduce集群。并行分布式分数阶心电分析流程如下:
步骤1:Android智能终端读取心电信号,数据存储到本地数据库SQLite3中。
步骤2:通过Java和Resting技术实现远程调用,将心电数据从HTTP协议提交到远程服务端。
步骤3:远程服务端由弹性计算服务器、分布式数据库服务Hbase和Map/Reduce集群服务器组成。弹性计算服务器接收用户发送的心电信号数据,通过Hbase预处理生成心电信号序列,将分数阶参数和心电信号发送给Map端,Map并行计算出对应的分数阶微分序列的稳定程度和方差,结果发送给Reduce端,Reduce端进行排序将最优结果返回给弹性计算服务器。
步骤4:弹性计算服务器将分数阶指标返回给客户端,客户端通过可视化的方式展现给用户。
图6显示2名心因性猝死人群的心电数据分析结果,从图中可以看出这两人的心电数据分数阶指标大部分时间都在0.6以下。图7显示4名具有心脏疾病人的心电数据分析结果,从图中可以看出这4人的心电数据分数阶指标大部分时间都在0.6以下。图8显示了4名健康人的心电数据分析结果,从图中可以看出这4人的心电数据分数阶指标大部分情况都大于0.6,并且波动程度更大。
将基于并行分数阶生理信号实时采集和分析方法应用于心电信号的分析,实时读取心电数据,在云平台下基于Map/Reduce集群,使用并行分数阶分析方法来识别心脏的生理状态,可以有效地区分出健康和不健康的心脏生理状态。
实施例3
本实施例提供一种基于分数阶并行分布肤电信号的实时采集和分析。肤电信号又称“皮肤电反应”、“皮电属性”,代表机体受到刺激时皮肤电传导的变化作为可以作为脑唤醒、警觉水平、紧张程度的间接指标。
本实施例中在汽车中配置脚部肤电传感器,采用车载平板电脑采集数据,该平板电脑配置4G上网卡与远程服务器通信,通过蓝牙与肤电传感器连接。
平板电脑是基于Android平台,使用Apache Flink大数据计算框架搭建Map/Reduce集群。并行分布式分数阶肤电分析流程如下:
步骤1:平板电脑通过蓝牙连接肤电传感器,实时读取肤电信号,数据存储到本地数据库SQLite3中。
步骤2:通过Java和Resting技术实现远程调用,将肤电数据从HTTP协议提交到服务端。
步骤3:服务端由弹性计算服务器、分布式数据库服务Hbase和Map/Reduce集群服务器组成。弹性计算服务器接收用户发送的肤电信号数据,通过Hbase预处理生成肤电信号序列,将分数阶参数和肤电信号发送给Map端,Map并行计算出对应的分数阶微分序列的稳定程度和方差,结果发送给Reduce端,Reduce端进行排序将最优结果返回给弹性计算服务器。
步骤4:弹性计算服务器将分数阶指标返回给客户端,客户端通过可视化的方式展现给用户。
图9显示对驾驶司机采集肤电信号数据分析的结果。司机驾驶车辆在城市道路,收费道路、高速公路等不同道路情况下驾驶。分数阶指标与道路情况呈现一定程度的吻合情况,在一定程度上反映了驾驶员的警觉水平。如在休息状态(Rest)下,分数阶指标值基本在0上下徘徊,驾驶员在某一环境中驾驶一段时间后警觉水平降低也会使分数阶指标值下降到0附近。
将基于并行分数阶生理信号实时采集和分析方法应用于肤电信号的分析,实时读取肤电数据,在云平台下基于Map/Reduce集群,使用并行分数阶分析方法来识别人们的警觉水平,与真实情况有一定的吻合度。
Claims (5)
1.一种基于并行分数阶生理信号实时采集和分析方法,其特征在于,包括以下步骤:
步骤1:数据采集,
移动客户端通过抽象方法定时从生理传感器读取数据,然后进行格式化处理,数据存储到本地数据数据库;
步骤2:数据传输,
移动客户端调用远程接口将生理信号数据上传到服务端;
步骤3:生理信号分析,
基于分数阶指标分析生理信号,首先将上传的最新生理信号和历史数据合成一个生理信号数据序列,将此序列和不同阶数作为输入参数,传递给N个Map端;Map端并行计算出对应分数阶微分序列的稳定性和方差,将结果传递给Reduce端,Reduce端计算出生理信号分数阶指标返回给客户端;
步骤4:数据展现,
移动终端通过可视化的方式展现结果,当结果不在阀值内,显示报警信息给用户。
2.如权利要求1所述的基于并行分数阶生理信号实时采集和分析方法,其特征在于:上述步骤1包括如下步骤:
步骤1a:当移动终端启动后将所支持的传感器和通信协议注册到虚拟表中,表中包括设备类型、通信协议、通信参数、通信方法、格式信息;
步骤1b:当移动终端连接到传感器后,根据连接信息识别出通信协议和传感器类型调用虚拟表注册的方法获取生理信号数据;
步骤1c:对生理信号数据进行格式化处理,存储到移动终端的数据库中。
3.如权利要求1所述的基于并行分数阶生理信号实时采集和分析方法,其特征在于:上述步骤2包括如下步骤:
步骤2a:移动终端定时读取本地数据库,将新的生理信号通过远程接口上传到远程服务端;
步骤2b:服务端将接收到的生理信号数据存储到分布式数据库中。
4.如权利要求1所述的基于并行分数阶生理信号实时采集和分析方法,其特征在于,上述步骤3包括如下步骤:
步骤3a:基于分数阶指标分析生理信号,首先将上传的生理信号和历史数据合成生理信号数据序列,将此序列和不同阶数作为输入参数,传递给不同Map端;
步骤3b:并发执行生理信号N个基于不同阶数分数阶微分序列的计算,每个Map端计算过程如下:
(1)根据该Map端输入的分数阶微分迭代计算系数序列,计算方法如下:
其中α是该Map端输入的阶数,Cα是基于α阶的系数序列,j是下标,Cα[j]代表系数序列的第j个元素;
(2)根据系数序列和生理信号序列数据迭代计算出生理信号的分数阶微分序列,计算方法如下:
其中RR是生理信号序列,RR[k-j]代表生理信号序列的第k-j个元素,Cα是基于α阶的系数序列,DaSeq是α阶的微分序列,k是下标,DaSeq[k]代表微分序列第k个元素;
(3)计算生理信号α阶分数阶微分序列的稳定性βα和方差εα,
其中为α阶分数阶微分序列的均值,M为序列的长度,k是下标,ρa[k]代表的是α阶分数阶微分序列中第k个元素与均值的偏差程度;当序列中大部分元素与均值偏差较小的时候,表示该序列比较稳定;
α阶分数阶微分序列的稳定性βα计算方式如下:
M为序列的长度,Q为分数阶微分序列的值落到均值范围内的个数,即ρα[k]的值小于0.1的个数;
α阶分数阶微分序列的方差εα计算方式如下:
其中为α阶分数阶微分序列的均值,M为分数阶微分序列的长度;
步骤3c:在Reduce端接收基于α阶微分序列的稳定性βα和方差εα值,阶数α的取值范围在0和1之间,分别以稳定性最好和方差最小的阶数α作为生理信号某个时间段的分数阶指标FI1和FI2。
5.如权利要求1所述的一种基于并行分数阶生理信号实时采集和分析方法,其特征在于:在步骤3中,所述的Reduce端计算过程如下:
(1)从N个Map端接收不同α阶分数阶微分序列的稳定性βα和方差εα值,阶数α的取值范围在0和1之间;
(2)将不同分数阶的稳定性和方差值进行排序,以稳定性最好和方差最小的阶数α作为生理信号某个时间段的分数阶指标FI1和FI2,
FI1=a|max(βα)αin[0,1]
FI2=a|min(εα)αin[0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038195.3A CN108962395B (zh) | 2018-09-06 | 2018-09-06 | 一种基于并行分数阶生理信号实时采集和分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038195.3A CN108962395B (zh) | 2018-09-06 | 2018-09-06 | 一种基于并行分数阶生理信号实时采集和分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108962395A true CN108962395A (zh) | 2018-12-07 |
CN108962395B CN108962395B (zh) | 2022-06-07 |
Family
ID=64476060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811038195.3A Active CN108962395B (zh) | 2018-09-06 | 2018-09-06 | 一种基于并行分数阶生理信号实时采集和分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108962395B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110974193A (zh) * | 2019-12-30 | 2020-04-10 | 北京中科芯健医疗科技有限公司 | 一种人体功能状态评估装置 |
CN111241288A (zh) * | 2020-01-17 | 2020-06-05 | 烟台海颐软件股份有限公司 | 一种大集中电力客户服务中心的突发事件感知系统以及构建方法 |
CN111383748A (zh) * | 2020-03-09 | 2020-07-07 | 武汉比邻软件有限公司 | 基于弹性计算和5g技术的医疗集成平台系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102293656A (zh) * | 2011-05-25 | 2011-12-28 | 四川大学华西医院 | 基于磁共振成像的情绪稳定性评价系统及其评价方法 |
CN105488351A (zh) * | 2015-12-04 | 2016-04-13 | 山东大学 | 一种生成移动心电信号的噪声模型的方法 |
CN107463874A (zh) * | 2017-07-03 | 2017-12-12 | 华南师范大学 | 情绪识别方法及系统、及应用该方法的智能看护系统 |
CN107872427A (zh) * | 2016-09-26 | 2018-04-03 | 清华大学深圳研究生院 | 一种基于云计算的心电身份识别系统及方法 |
CN108320814A (zh) * | 2018-01-31 | 2018-07-24 | 北京工业大学 | 一种基于穿戴式智慧衣的老人家庭远程监护系统 |
CN108417246A (zh) * | 2018-03-26 | 2018-08-17 | 大连大学 | 使用物联网智慧云心电智能监控与数据处理系统的监控方法 |
CN108492869A (zh) * | 2018-03-26 | 2018-09-04 | 大连大学 | 基于物联网的智慧云心电智能监控与数据处理系统 |
JP6407664B2 (ja) * | 2014-10-31 | 2018-10-17 | キヤノンメディカルシステムズ株式会社 | 磁気共鳴イメージング装置 |
-
2018
- 2018-09-06 CN CN201811038195.3A patent/CN108962395B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102293656A (zh) * | 2011-05-25 | 2011-12-28 | 四川大学华西医院 | 基于磁共振成像的情绪稳定性评价系统及其评价方法 |
JP6407664B2 (ja) * | 2014-10-31 | 2018-10-17 | キヤノンメディカルシステムズ株式会社 | 磁気共鳴イメージング装置 |
CN105488351A (zh) * | 2015-12-04 | 2016-04-13 | 山东大学 | 一种生成移动心电信号的噪声模型的方法 |
CN107872427A (zh) * | 2016-09-26 | 2018-04-03 | 清华大学深圳研究生院 | 一种基于云计算的心电身份识别系统及方法 |
CN107463874A (zh) * | 2017-07-03 | 2017-12-12 | 华南师范大学 | 情绪识别方法及系统、及应用该方法的智能看护系统 |
CN108320814A (zh) * | 2018-01-31 | 2018-07-24 | 北京工业大学 | 一种基于穿戴式智慧衣的老人家庭远程监护系统 |
CN108417246A (zh) * | 2018-03-26 | 2018-08-17 | 大连大学 | 使用物联网智慧云心电智能监控与数据处理系统的监控方法 |
CN108492869A (zh) * | 2018-03-26 | 2018-09-04 | 大连大学 | 基于物联网的智慧云心电智能监控与数据处理系统 |
Non-Patent Citations (2)
Title |
---|
吕太之: "基于滑动窗口Hurst指数的心电分析研究", 《计算机科学》 * |
张可: "《物联网及其数据处理》", 31 July 2018 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110974193A (zh) * | 2019-12-30 | 2020-04-10 | 北京中科芯健医疗科技有限公司 | 一种人体功能状态评估装置 |
CN111241288A (zh) * | 2020-01-17 | 2020-06-05 | 烟台海颐软件股份有限公司 | 一种大集中电力客户服务中心的突发事件感知系统以及构建方法 |
CN111383748A (zh) * | 2020-03-09 | 2020-07-07 | 武汉比邻软件有限公司 | 基于弹性计算和5g技术的医疗集成平台系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108962395B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105286890B (zh) | 一种基于脑电信号的驾驶员瞌睡状态监测方法 | |
CN108962395A (zh) | 一种基于并行分数阶生理信号实时采集和分析方法 | |
WO2017193497A1 (zh) | 基于融合模型的智能化健康管理服务器、系统及其控制方法 | |
CN109934089A (zh) | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 | |
CN105342562A (zh) | 一种监测方法及系统 | |
CN105528754A (zh) | 一种基于双神经网络行为识别模型的老年人信息服务系统 | |
CN106650303A (zh) | 一种老人健康智能监测系统 | |
CN106308772A (zh) | 一种可穿戴远程健康监护系统及方法 | |
CN105847351A (zh) | 一种物联网环境下居家养老健康信息感知分析和预警系统 | |
CN107887020A (zh) | 一种体征检测系统和体征检测方法 | |
CN104462760A (zh) | 三维可视化健康评估方法与系统 | |
CN104751004A (zh) | 一种疾病预警方法、装置及系统 | |
CN111063437A (zh) | 一种个性化慢病分析系统 | |
CN110584601A (zh) | 一种老人认知功能监测和评估方法 | |
CN114883006A (zh) | 一种基于大数据的健康监测和动态管理系统及应用 | |
CN109085872A (zh) | 一种助眠云服务平台及其使用方法及其使用方法 | |
CN209347003U (zh) | 一种智能健康状态检测系统 | |
Aminosharieh Najafi et al. | Driver attention assessment using physiological measures from EEG, ECG, and EDA signals | |
Yoshihi et al. | Estimating sleep stages using a head acceleration sensor | |
CN108877946A (zh) | 一种基于网络特征的医生专家推荐方法 | |
CN102793538A (zh) | 心率变异性装置及云端健康管理系统 | |
Badr et al. | Xbeats: A real-time electrocardiogram monitoring and analysis system | |
Lee et al. | Respiratory rate estimation combining autocorrelation function-based power spectral feature extraction with gradient boosting algorithm | |
CN111180042A (zh) | 一种基于标准营养素指标评价个人饮食的方法 | |
Lv et al. | A real-time physiological signal acquisition and analyzing method based on fractional calculus and stream computing |
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 |