CN110141205A - 基于hrv技术的抗压数据、疲劳数据的测试方法和装置 - Google Patents
基于hrv技术的抗压数据、疲劳数据的测试方法和装置 Download PDFInfo
- Publication number
- CN110141205A CN110141205A CN201910443994.7A CN201910443994A CN110141205A CN 110141205 A CN110141205 A CN 110141205A CN 201910443994 A CN201910443994 A CN 201910443994A CN 110141205 A CN110141205 A CN 110141205A
- Authority
- CN
- China
- Prior art keywords
- target
- pulse signal
- energy value
- value
- frequency energy
- 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
-
- 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
- A61B5/72—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
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Cardiology (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本申请涉及一种基于HRV技术的抗压数据、疲劳数据的测试方法、装置、计算机设备和存储介质。所述方法包括:对采集的目标脉搏信号进行峰值提取,得到目标脉搏信号的峰值;根据目标脉搏信号的峰值计算得到第一搏动间期序列;对第一搏动间期序列进行计算得到功率谱,并从功率谱中获取目标超低频能量值、目标低频能量值和目标高频能量值;根据功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到功率谱的目标总能量值;根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据。上述基于HRV技术的抗压数据、疲劳数据的测试方法、装置、计算机设备和存储介质能够提高数据测试的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于HRV技术的抗压数据、疲劳数据的测试方法、装置、计算机设备和存储介质。
背景技术
随着社会经济的迅速发展,人们生活节奏越来越快,人们的压力也越来越大,身体也越来越疲劳并长期处于亚健康状态。若不及时治疗,有可能会导致心血管等疾病。
在对身体进行治疗之前,需要对身体的压力和疲劳情况进行测试。传统的压力和身体疲劳的测试方法,是通过对脉搏信号中的时间长短进行分析,得到压力和疲劳情况。然而,这种对压力数据和疲劳数据的测试方法,存在准确性较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确性的基于HRV技术的抗压数据、疲劳数据的测试方法、装置、计算机设备和存储介质。
一种基于HRV技术的抗压数据、疲劳数据的测试方法,所述方法包括:
对采集的目标脉搏信号进行峰值提取,得到所述目标脉搏信号的峰值;
根据所述目标脉搏信号的峰值计算得到第一搏动间期序列;
对所述第一搏动间期序列进行计算得到功率谱,并从所述功率谱中获取目标超低频能量值、目标低频能量值和目标高频能量值,其中,所述目标超低频能量值指的是指频率小于第一频率阈值的目标脉搏信号的能量总和,所述目标低频能量值指的是指频率大于第一频率阈值且小于第二频率阈值的目标脉搏信号的能量总和,所述目标高频能量值指的是频率大于第二频率阈值的目标脉搏信号的能量总和,所述第一频率阈值小于所述第二频率阈值;
根据所述功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到所述功率谱的目标总能量值;
根据所述功率谱中的目标高频能量值得到目标抗压数据,并根据所述功率谱中的目标总能量值得到目标疲劳数据。
一种基于HRV技术的抗压数据、疲劳数据的测试装置,所述装置包括:
峰值提取模块,用于对采集的目标脉搏信号进行峰值提取,得到所述目标脉搏信号的峰值;
序列计算模块,用于根据所述目标脉搏信号的峰值计算得到第一搏动间期序列;
功率谱计算模块,用于对所述第一搏动间期序列进行计算得到功率谱,并从所述功率谱中获取目标超低频能量值、目标低频能量值和目标高频能量值,其中,所述目标超低频能量值指的是指频率小于第一频率阈值的目标脉搏信号的能量总和,所述目标低频能量值指的是指频率大于第一频率阈值且小于第二频率阈值的目标脉搏信号的能量总和,所述目标高频能量值指的是频率大于第二频率阈值的目标脉搏信号的能量总和,所述第一频率阈值小于所述第二频率阈值;
目标总能量值获取模块,用于根据所述功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到所述功率谱的目标总能量值;
数据获取模块,用于根据所述功率谱中的目标高频能量值得到目标抗压数据,并根据所述功率谱中的目标总能量值得到目标疲劳数据。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述基于HRV技术的抗压数据、疲劳数据的测试方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于HRV技术的抗压数据、疲劳数据的测试方法的步骤。
上述基于HRV技术的抗压数据、疲劳数据的测试方法、装置、计算机设备和存储介质,通过提取目标脉搏信号的峰值,计算得到第一搏动间期序列,再对第一搏动间期序列进行计算得到功率谱,根据功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到目标总能量值,目标高频能量值的大小可以表示抗压的情况,目标总能量值的大小可以表示疲劳的情况,根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据,可以更加准确地得到测试的数据。
附图说明
图1为一个实施例中基于HRV技术的抗压数据、疲劳数据的测试方法的应用环境图;
图2为一个实施例中基于HRV技术的抗压数据、疲劳数据的测试方法的流程示意图;
图3为一个实施例中采集的原始脉搏信号的示意图;
图4为一个实施例中目标脉搏信号的示意图;
图5为一个实施例中峰值提取步骤的流程示意图;
图6为一个实施例中峰值提取的示意图;
图7为一个实施例中第一搏动间期序列的示意图;
图8为一个实施例中功率谱计算步骤的流程示意图;
图9为一个实施例中功率谱的示意图;
图10为一个实施例中参考数据获取步骤的流程示意图;
图11为一个实施例中数据测试的流程示意图;
图12为一个实施例中基于HRV技术的抗压数据、疲劳数据的测试装置的结构框图;
图13为另一个实施例中基于HRV技术的抗压数据、疲劳数据的测试装置的结构框图;
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的基于HRV技术的抗压数据、疲劳数据的测试方法,可以应用于如图1所示的应用环境中。其中,第一计算机设备102通过网络与第二计算机设备104进行通信。第二计算机设备104可以采集目标脉搏信号,并将目标脉搏信号发送至第一计算机设备102。第一计算机设备102对采集的目标脉搏信号进行峰值提取,得到目标脉搏信号的峰值;根据目标脉搏信号的峰值计算得到第一搏动间期序列;对第一搏动间期序列进行计算得到功率谱,并从功率谱中获取目标超低频能量值、目标低频能量值和目标高频能量值,其中,目标超低频能量值指的是指频率小于第一频率阈值的目标脉搏信号的能量总和,目标低频能量值指的是指频率大于第一频率阈值且小于第二频率阈值的目标脉搏信号的能量总和,目标高频能量值指的是频率大于第二频率阈值的目标脉搏信号的能量总和,第一频率阈值小于第二频率阈值;根据功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到功率谱的目标总能量值;根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据。其中,第一计算机设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑,第二计算机设备104可以是各种便携式可穿戴设备或者其他脉搏信号采集设备等。
在一个实施例中,如图2所示,提供了一种基于HRV技术的抗压数据、疲劳数据的测试方法,包括以下步骤:
步骤202,对采集的目标脉搏信号进行峰值提取,得到目标脉搏信号的峰值。
心率变异性(HRV)是逐次心跳周期差异的细小变化情况,自主神经可以调节心率变化,交感神经兴奋可以导致心率的加快,副交感神经兴奋可以导致心率的减慢。
可以理解的是,人体循环系统由心脏、血管、血液所组成,负责人体氧气、二氧化碳、养分及废物的运送。血液经由心脏的左心室收缩而挤压流入主动脉,随即传递到全身动脉。动脉为富有弹性的结缔组织与肌肉所形成管路。当大量血液进入动脉将使动脉压力变大而使管径扩张,在体表较浅处动脉即可感受到此扩张,即所谓的脉搏。目标脉搏信号指的是动脉搏动过程中产生的信号。
在动脉搏动时,目标脉搏信号可以产生一个峰值,峰值的大小可以表示动脉的搏动程度。对采集的目标脉搏信号进行峰值提取,可以得到目标脉搏信号的峰值。
步骤204,根据目标脉搏信号的峰值计算得到第一搏动间期序列。
在目标脉搏信号中,峰值的波为R波,相邻两个峰值之间的时长,即相邻两个R波的时长为RR间期。第一搏动间期序列指的是目标脉搏信号中,相邻两个峰值之间的时长所组成的序列。
步骤206,对第一搏动间期序列进行计算得到功率谱,并从功率谱中获取目标超低频能量值、目标低频能量值和目标高频能量值,其中,目标超低频能量值指的是指频率小于第一频率阈值的目标脉搏信号的能量总和,目标低频能量值指的是指频率大于第一频率阈值且小于第二频率阈值的目标脉搏信号的能量总和,目标高频能量值指的是频率大于第二频率阈值的目标脉搏信号的能量总和,第一频率阈值小于第二频率阈值。
功率谱指的是单位频带内的信号功率,表示信号功率随着频率的变化情况,即信号功率在频域的分布状况。在功率谱的频率中,包含了超低频(VLF:Very Low Frequency)、低频(LF:Low Frequency)、高频(HF:High Frequency)。可以预先设置第一频率阈值和第二频率阈值,如第一频率阈值为0.04Hz,第二频率阈值为0.15Hz。则频率小于第一频率阈值0.04Hz的目标脉搏信号的能量总和为目标超低频能量值,频率大于第一频率阈值0.04Hz且小于第二频率阈值0.15Hz的目标脉搏信号的能量总和为目标低频能量值,频率大于第二频率阈值0.15Hz的能量总值的能量总值为目标高频能量值。
在另外一个实施例中,也可以将处于0.003-0.04Hz的能量总值作为目标超低频能量值,将处于0.04-0.15Hz的能量总值作为目标低频能量值,将处于0.15-0.4Hz的目标脉搏信号的能量总和作为目标高频能量值。
步骤208,根据功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到功率谱的目标总能量值。
在本实施例中,将目标超低频能量值、目标低频能量值和目标高频能量值进行相加,可以得到功率谱的目标总能量值(TP:Total power)。
例如,目标超低频能量值、目标低频能量值和目标高频能量值分别为30、100、50,则功率谱的目标总能量值TP=VLF+LF+HF=30+100+50=180。
在另外一个实施例中,将目标超低频能量值、目标低频能量值和目标高频能量值分别与超低频权重因子、低频权重因子和高频权重因子进行相乘,可以得到功率谱的目标总能量值。
例如,目标超低频能量值、目标低频能量值和目标高频能量值分别为30、100、50,超低频权重因子、低频权重因子和高频权重因子分别为0.2、0.3、0.5,则功率谱的目标总能量值为30*0.6+100*0.8+50*1.5=173。
步骤210,根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据。
心率变异性(HRV)是逐次心跳周期差异的细小变化情况,自主神经可以调节心率变化,交感神经兴奋可以导致心率的加快,副交感神经兴奋可以导致心率的减慢。可以通过功率谱中的目标超低频能量值、目标低频能量值、目标高频能量值和总能量值得到心率变异性。
功率谱中的目标高频能量值表示副交感神经反应活性,副交感神经活性体现了心率变异性的高低,心率变异性高低反映了测试者适应环境的能力。当目标高频能量值越高时,心率变异性越高,那么适应环境的能力亦越高,则抗压能力强。
功率谱中的目标总能量值表示自主神经活性,自主神经活性与疲劳指数成负相关的关系,当总能量值越高时,自主神经活性越强,对应的疲劳指数越弱;当总能量值越低时,自主神经活性越弱,疲劳指数越强。
根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据。
上述基于HRV技术的抗压数据、疲劳数据的测试方法,通过提取目标脉搏信号的峰值,计算得到第一搏动间期序列,再对第一搏动间期序列进行计算得到功率谱,根据功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到目标总能量值,目标高频能量值的大小可以表示抗压的情况,目标总能量值的大小可以表示疲劳的情况,根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据,可以更加准确地得到测试的数据。
在一个实施例中,上述方法还包括:采集原始脉搏信号;对原始脉搏信号进行平滑滤波,并从平滑滤波后的原始脉搏信号中获取目标脉搏信号。
原始脉搏信号指的是采集的原始的脉搏信号,如图3所示。平滑滤波是低频增强的空间域滤波技术。
对采集的原始脉搏信号进行平滑滤波,滤波宽度W为:W=fs*0.04+1;半窗口宽度:wh=(W-1)/2;其中,窗口宽度是平滑滤波处理每个点所需要的周围点的个数,宽度中点代表滤波处理的点;滤波公式:其中,n为信号的采样点数。
在本实施例中,通过平滑滤波可以消除原始脉搏信号的噪声。
在一个实施例中,从平滑滤波后的原始脉搏信号中获取目标脉搏信号,包括:获取目标时长;根据目标时长从平滑滤波后的原始脉搏信号中获取目标脉搏信号。
可以理解的是,采集原始脉搏信号有限,在有限采样数据的边界点进行平滑滤波处理时,没有半窗口宽度的值,因此,边界点在进行平滑滤波时会产生异常值。为了使数据测试更加准确,需要去掉异常值。
目标时长指的是处于正确时长内的脉搏信号,根据目标时长从平滑滤波后的原始脉搏信号中获取目标脉搏信号。如图4所示为经过平滑滤波后的目标脉搏信号。如在图3中的302的信号,存在噪声,经过平滑滤波处理后,得到如图4中402所示去除噪声之后的目标脉搏信号。
例如,人体测试时,在第一秒钟可能未进入测试状态而导致采集的脉搏信号异常,因此,需要去除第一秒钟的脉搏信号。可以预先设置目标时长为大于1秒,根据目标时长从平滑滤波后的原始脉搏信号中获取目标脉搏信号。
在本实施例中,获取目标时长,从而将异常值去掉,可以提高获取的目标脉搏信号的准确性。
在一个实施例中,对采集的目标脉搏信号进行峰值提取,得到目标脉搏信号的峰值,包括:
步骤502,获取参考信号周期和参考峰值区域。
根据先验数据获取参考信号周期和参考峰值区域。先验数据指的是预先被验证的数据,可以是在其他测试数据中获取的数据,也可以是人类脉搏信号的平均信号周期和参考峰值区域。
步骤504,根据参考信号周期确定第一滤波宽度,并根据第一滤波宽度对目标脉搏信号进行第一平滑滤波,得到第一滤波信号。
在本实施例中,可以将参考信号周期作为第一滤波宽度,根据第一滤波宽度对目标脉搏信号进行第一平滑滤波,得到第一滤波信号,通过第一滤波信号可以得到目标脉搏信号的整体信号情况。
在其他实施例中,也可以将参考信号周期的一半作为第一滤波宽度,还可以是其他计算方式得到第一滤波宽度,不限于此。
对目标脉搏信号进行第一平滑滤波,第一滤波宽度为W1,得到的第一滤波信号为:y1。
步骤506,根据参考峰值区域确定第二滤波宽度,并根据第二滤波宽度对目标脉搏信号进行第二平滑滤波,得到第二滤波信号。
在本实施例中,可以获取参考峰值区域的半高宽作为第二滤波宽度,根据第二滤波宽度对目标脉搏信号进行第二平滑滤波,得到第二滤波信号,通过第二滤波信号可以定位目标脉搏信号中含有的峰值分量。其中,半高宽指的是吸收谱带高度最大处高度为一半时谱带的全宽,即在一个峰值区域中,两个一半峰值之间的宽度。
在其他实施例中,也可以是其他计算方式得到第二滤波宽度,不限于此。
步骤508,获取第二滤波信号大于第一滤波信号的目标信号,并从目标信号中获取目标脉搏信号的峰值。
通过第一滤波信号可以得到目标脉搏信号的整体信号情况,通过第二滤波信号可以定位目标脉搏信号中含有的峰值分量,将第一滤波信号与第二滤波信号进行比较,可以得到目标脉搏信号的峰值。
如图6所示,602、604、606和608表示峰值,通过上述方法对目标脉搏信号进行峰值提取。
在一个实施例中,通过第一平滑滤波和第二平滑滤波分别得到第一滤波信号和第二滤波信号,通过第一滤波信号可以得到目标脉搏信号的整体信号情况,通过第二滤波信号可以定位目标脉搏信号中含有的峰值分量,将第一滤波信号和第二滤波信号进行比较,可以得到更加准确的目标脉搏信号的峰值。
将第一滤波信号和第二滤波信号进行比较,获取第二滤波信号大于第一滤波信号的目标信号,在目标信号中包含目标脉搏信号的峰值。通过对比目标信号中的各个采样点的数值,最大值即为目标脉搏信号的峰值。
进一步地,从目标信号中获取目标脉搏信号的峰值,包括:根据先验数据获取第三滤波宽度,定位目标信号中大于第三滤波宽度的区域作为目标区域;获取目标区域中的最大值作为目标脉搏信号的峰值。
在本实施例中,通过获取第二滤波信号大于第一滤波信号的目标信号,可以更加准确地从目标信号中获取目标脉搏信号的峰值。
在一个实施例中,根据目标脉搏信号的峰值计算得到第一搏动间期序列,包括:根据目标脉搏信号的峰值计算得到中间搏动间期序列;根据去除非稳态算法,从中间搏动间期序列中获取第一搏动间期序列。
根据目标脉搏信号的峰值计算得到中间搏动间期序列,中间搏动间期序列中存在非稳态分量,当不去除非稳态分量时,则极低频分量的结果偏大,与实际不符。因此,根据去除非稳态算法去除中间搏动间期序列中的非稳态分量,可以得到更加准确的第一搏动间期序列。如图7所示,为第一搏动间期序列。
进一步地,根据目标脉搏信号的峰值计算得到中间搏动间期序列,包括:将相邻两个峰值进行相减,再除以采样率,得到中间搏动间期;根据得到的各个中间搏动间期,生成中间搏动间期序列。
从目标信号中获取目标脉搏信号的峰值p={p1,p2,...,pn},根据以下计算公式可以计算得到中间搏动间期:rri=(pi-pi-1)/fs,其中,fs为采样率。根据得到的中间搏动间期生成中间搏动间期序列rr={rr1,rr2,…,rrn}。
进一步地,上述方法还包括:将第一搏动间期序列去均值,得到第三搏动间期序列。
通过以下计算公式进行去均值:通过对第一搏动间期序列进行去均值,可以去掉第一搏动间期序列中频率为0的分量,提高准确性。
在本实施例中,根据目标脉搏信号的峰值计算得到中间搏动间期序列,根据去除非稳态算法从从中间搏动间期序列中获取第一搏动间期序列,去除中间搏动间期序列中的非稳态分量,可以提高获取的第一搏动间期序列的准确性。
在一个实施例中,对第一搏动间期序列进行计算得到功率谱,包括:
步骤802,根据三次样条算法对第一搏动间期序列进行插值,得到第二搏动间期序列。
三次样条算法(Cubic Spline Interpolation)简称Spline插值,是通过一系列形值点的一条光滑曲线,数学上通过求解三弯矩方程组得出曲线函数组的过程。
可以预先阈值插值的频率,如4Hz,根据三次样条算法对第一搏动间期序列进行插值,得到第二搏动间期序列rrInterp。
步骤804,将第二搏动间期序列进行连续小波变换,得到二维系数。
小波变换(wavelet transform,WT),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。
将第二搏动间期序列进行连续小波变换,包括:获取目标尺度的小波数据;根据小波数据获取对应的共轭数据;对第二搏动间期序列和共轭数据进行卷积,得到小波变换后的二维系数。
例如,获取目标尺度为1:256的小波数据morlet;根据小波数据morlet获取对应的共轭数据morlet1;对第二搏动间期序列rrInterp和共轭数据morlet1进行卷积,得到小波变换后的二维系数coef。
步骤806,根据二维系数计算得到功率谱。
在二维系数coef中,列系数代表尺度,行系数代表功率谱密度。在本实施例中,可以通过计算二维系数coef中每行系数的平方和的平均值获取功率谱PSD,二维系数coef中每行系数的平方和的平均值代表对应尺度下的功率谱密度。如图9所示,为频域特征的功率谱。
在本实施例中,根据三次样条算法对第一搏动间期序列进行插值,得到第二搏动间期序列,再将第二搏动间期序列进行连续小波变换,得到二维系数,根据二维系数可以获取更加准确的功率谱,可以提高数据测试的准确性。
在一个实施例中,上述方法还包括:
步骤1002,获取至少一个参考高频能量区间和至少一个参考总能量区间,其中,每个参考高频能量区间与参考抗压数据一一对应,每个参考总能量区间与参考疲劳数据一一对应。
根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据,包括:
步骤1004,将与目标高频能量值相匹配的参考高频能量区间所对应的参考抗压数据作为目标抗压数据。
将目标高频能量值与各个参考高频能量区间进行匹配,将与目标高频能量值匹配的参考高频能量区间所对应的参考抗压数据作为目标抗压数据。
如获取的三个参考高频能量区间分别为0-10,10-100,100-1000,对应的参考抗压数据分别为弱,较弱,强。当目标高频能量值为350时,目标高频能量值与参考高频能量区间100-1000相匹配,则目标抗压数据为强,即测试者的抗压能力强。
步骤1006,将与目标总能量值相匹配的参考总能量区间所对应的参考疲劳数据作为目标疲劳数据。
将目标总能量值与各个参考总能量区间进行匹配,将与目标总能量值匹配的参考总能量区间所对应的参考疲劳数据作为目标疲劳数据。
如获取的三个参考总能量区间分别为0-500,500-1000,对应的参考疲劳数据分别为强,弱。当目标总能量值为430时,目标总能量值与参考总能量区间0-500相匹配,则目标疲劳数据为弱,即测试者的疲劳指数弱。
在本实施例中,将目标高频能量值和目标总能量值分别与参考高频能量区间和参考总能量区间进行匹配,可以更加准确地得到目标抗压数据和目标疲劳数据。
在一个实施例中,获取至少一个参考高频能量区间和至少一个参考总能量区间,包括:获取各个参考高频能量值和各个参考总能量值;根据四分位点算法将各个参考高频能量值分成四个参考高频能量区间;根据四分位点算法将各个参考总能量值分成四个参考总能量区间。
各个参考高频能量值和各个参考总能量值可以但不限于临床数据。四分位点(Quartile)是指在统计学中把所有数值由小到大排列并分成四等份,处于三个分割点位置的数值。
根据四分位点算法将各个参考高频能量值分成四个参考高频能量区间;根据四分位点算法将各个参考总能量值分成四个参考总能量区间。四个参考高频能量区间可以分别对应四个参考抗压数据,例如,弱,较弱,较强,强。四个参考高频能量区间可以分别对应四个参考抗压数据,例如,强,较强,较弱,弱。
在本实施例中,根据四分位点算法将参考高频能量值分成四个参考高频能量区间,以及将参考总能量值分成四个参考总能量区间,可以快速得到测试数据。
在一个实施例中,如图11所示,将采集原始脉搏信号1102经过步骤1104进行预处理,预处理可以是将原始脉搏信号进行平滑滤波,再根据获取的目标时长从平滑滤波后的原始脉搏信号中获取目标脉搏信号1106。执行步骤1108,对目标脉搏信号1106进行峰值提取得到目标脉搏信号的峰值,根据目标脉搏信号的峰值计算得到中间搏动间期序列,并去除中间搏动间期序列的非稳态分量,得到第一搏动间期序列1110。执行步骤1112,根据三次样条算法对第一搏动间期序列进行插值,得到第二搏动间期序列;将第二搏动间期序列进行连续小波变换,得到二维系数;根据二维系数计算得到功率谱1114。根据功率谱1114中的目标高频能量值得到1118中的目标抗压数据,并根据功率谱中的目标总能量值得到1118中的目标疲劳数据。
应该理解的是,虽然图2、图5、图8和图10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、图5、图8和图10中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图12所示,提供了一种基于HRV技术的抗压数据、疲劳数据的测试装置1200,包括:峰值提取模块1202、序列计算模块1204、功率谱计算模块1206、目标总能量值获取模块1208和数据获取模块1210,其中:
峰值提取模块1202,用于对采集的目标脉搏信号进行峰值提取,得到目标脉搏信号的峰值。
序列计算模块1204,用于根据目标脉搏信号的峰值计算得到第一搏动间期序列。
功率谱计算模块1206,用于对第一搏动间期序列进行计算得到功率谱,并从功率谱中获取目标超低频能量值、目标低频能量值和目标高频能量值,其中,目标超低频能量值指的是指频率小于第一频率阈值的目标脉搏信号的能量总和,目标低频能量值指的是指频率大于第一频率阈值且小于第二频率阈值的目标脉搏信号的能量总和,目标高频能量值指的是频率大于第二频率阈值的目标脉搏信号的能量总和,第一频率阈值小于第二频率阈值。
目标总能量值获取模块1208,用于根据功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到功率谱的目标总能量值。
数据获取模块1210,用于根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据。
上述基于HRV技术的抗压数据、疲劳数据的测试装置,通过提取目标脉搏信号的峰值,计算得到第一搏动间期序列,再对第一搏动间期序列进行计算得到功率谱,根据功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到目标总能量值,目标高频能量值的大小可以表示抗压的情况,目标总能量值的大小可以表示疲劳的情况,根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据,可以更加准确地得到测试的数据。
在一个实施例中,如图13所示,提供了一种基于HRV技术的抗压数据、疲劳数据的测试装置1300,包括:预处理模块1302、峰值提取模块1304、序列计算模块1306、功率谱计算模块1308、目标总能量值获取模块1310、参考数据获取模块1312和数据获取模块1314,其中:
预处理模块1302,用于采集原始脉搏信号;对原始脉搏信号进行平滑滤波;获取目标时长;根据目标时长从平滑滤波后的原始脉搏信号中获取目标脉搏信号。
峰值提取模块1304,用于对采集的目标脉搏信号进行峰值提取,得到目标脉搏信号的峰值。
序列计算模块1306,用于根据目标脉搏信号的峰值计算得到第一搏动间期序列。
功率谱计算模块1308,用于对第一搏动间期序列进行计算得到功率谱,并从功率谱中获取目标超低频能量值、目标低频能量值和目标高频能量值,其中,目标超低频能量值指的是指频率小于第一频率阈值的目标脉搏信号的能量总和,目标低频能量值指的是指频率大于第一频率阈值且小于第二频率阈值的目标脉搏信号的能量总和,目标高频能量值指的是频率大于第二频率阈值的目标脉搏信号的能量总和,第一频率阈值小于第二频率阈值。
目标总能量值获取模块1310,用于根据功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到功率谱的目标总能量值。
参考数据获取模块1312,用于获取至少一个参考高频能量区间和至少一个参考总能量区间,其中,每个参考高频能量区间与参考抗压数据一一对应,每个参考总能量区间与参考疲劳数据一一对应。根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据,包括:将与目标高频能量值相匹配的参考高频能量区间所对应的参考抗压数据作为目标抗压数据;将与目标总能量值相匹配的参考总能量区间所对应的参考疲劳数据作为目标疲劳数据。
数据获取模块1314,用于根据功率谱中的目标高频能量值得到目标抗压数据,并根据功率谱中的目标总能量值得到目标疲劳数据。
上述基于HRV技术的抗压数据、疲劳数据的测试装置,对采集原始脉搏信号进行平滑处理得到目标脉搏信号,通过提取目标脉搏信号的峰值,计算得到第一搏动间期序列,再对第一搏动间期序列进行计算得到功率谱,根据功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到目标总能量值,目标高频能量值的大小可以表示抗压的情况,目标总能量值的大小可以表示疲劳的情况,获取参考高频能量区间和参考总能量区间,将目标高频能量值与参考高频能量区间进行匹配,将目标总能量值与参考总能量区间进行匹配,得到目标抗压数据和目标疲劳数据,可以更加准确地得到测试的数据。
在一个实施例中,上述峰值提取模块1304还用于获取参考信号周期和参考峰值区域;根据参考信号周期确定第一滤波宽度,并根据第一滤波宽度对目标脉搏信号进行第一平滑滤波,得到第一滤波信号;根据参考峰值区域确定第二滤波宽度,并根据第二滤波宽度对目标脉搏信号进行第二平滑滤波,得到第二滤波信号;获取第二滤波信号大于第一滤波信号的目标信号,并从目标信号中获取目标脉搏信号的峰值。
在一个实施例中,上述峰值提取模块1304还用于根据目标脉搏信号的峰值计算得到中间搏动间期序列;根据去除非稳态算法,从中间搏动间期序列中获取第一搏动间期序列。
在一个实施例中,上述功率谱计算模块1308还用于根据三次样条算法对第一搏动间期序列进行插值,得到第二搏动间期序列;将第二搏动间期序列进行连续小波变换,得到二维系数;根据二维系数计算得到功率谱。
在一个实施例中,上述参考数据获取模块1312还用于获取各个参考高频能量值和各个参考总能量值;根据四分位点算法将参考高频能量值分成四个参考高频能量区间;根据四分位点算法将参考总能量值分成四个参考总能量区间。
关于基于HRV技术的抗压数据、疲劳数据的测试装置的具体限定可以参见上文中对于基于HRV技术的抗压数据、疲劳数据的测试方法的限定,在此不再赘述。上述基于HRV技术的抗压数据、疲劳数据的测试装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于HRV技术的抗压数据、疲劳数据的测试方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述基于HRV技术的抗压数据、疲劳数据的测试方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述基于HRV技术的抗压数据、疲劳数据的测试方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于HRV技术的抗压数据、疲劳数据的测试方法,所述方法包括:
对采集的目标脉搏信号进行峰值提取,得到所述目标脉搏信号的峰值;
根据所述目标脉搏信号的峰值计算得到第一搏动间期序列;
对所述第一搏动间期序列进行计算得到功率谱,并从所述功率谱中获取目标超低频能量值、目标低频能量值和目标高频能量值,其中,所述目标超低频能量值指的是指频率小于第一频率阈值的目标脉搏信号的能量总和,所述目标低频能量值指的是指频率大于第一频率阈值且小于第二频率阈值的目标脉搏信号的能量总和,所述目标高频能量值指的是频率大于第二频率阈值的目标脉搏信号的能量总和,所述第一频率阈值小于所述第二频率阈值;
根据所述功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到所述功率谱的目标总能量值;
根据所述功率谱中的目标高频能量值得到目标抗压数据,并根据所述功率谱中的目标总能量值得到目标疲劳数据。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采集原始脉搏信号;
对所述原始脉搏信号进行平滑滤波;
获取目标时长;
根据所述目标时长从所述平滑滤波后的原始脉搏信号中获取目标脉搏信号。
3.根据权利要求1所述的方法,其特征在于,所述对采集的目标脉搏信号进行峰值提取,得到所述目标脉搏信号的峰值,包括:
获取参考信号周期和参考峰值区域;
根据所述参考信号周期确定第一滤波宽度,并根据所述第一滤波宽度对所述目标脉搏信号进行第一平滑滤波,得到第一滤波信号;
根据所述参考峰值区域确定第二滤波宽度,并根据所述第二滤波宽度对所述目标脉搏信号进行第二平滑滤波,得到第二滤波信号;
获取所述第二滤波信号大于第一滤波信号的目标信号,并从所述目标信号中获取所述目标脉搏信号的峰值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标脉搏信号的峰值计算得到第一搏动间期序列,包括:
根据所述目标脉搏信号的峰值计算得到中间搏动间期序列;
根据去除非稳态算法,从所述中间搏动间期序列中获取第一搏动间期序列。
5.根据权利要求1所述的方法,其特征在于,所述对所述第一搏动间期序列进行计算得到功率谱,包括:
根据三次样条算法对所述第一搏动间期序列进行插值,得到第二搏动间期序列;
将所述第二搏动间期序列进行连续小波变换,得到二维系数;
根据所述二维系数计算得到功率谱。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取至少一个参考高频能量区间和至少一个参考总能量区间,其中,每个所述参考高频能量区间与参考抗压数据一一对应,每个所述参考总能量区间与参考疲劳数据一一对应;
所述根据所述功率谱中的目标高频能量值得到目标抗压数据,并根据所述功率谱中的目标总能量值得到目标疲劳数据,包括:
将与所述目标高频能量值相匹配的参考高频能量区间所对应的参考抗压数据作为目标抗压数据;
将与所述目标总能量值相匹配的参考总能量区间所对应的参考疲劳数据作为目标疲劳数据。
7.根据权利要求6所述的方法,其特征在于,所述获取至少一个参考高频能量区间和至少一个参考总能量区间,包括:
获取各个参考高频能量值和各个参考总能量值;
根据四分位点算法将参考高频能量值分成四个参考高频能量区间;
根据四分位点算法将参考总能量值分成四个参考总能量区间。
8.一种基于HRV技术的抗压数据、疲劳数据的测试装置,其特征在于,所述装置包括:
峰值提取模块,用于对采集的目标脉搏信号进行峰值提取,得到所述目标脉搏信号的峰值;
序列计算模块,用于根据所述目标脉搏信号的峰值计算得到第一搏动间期序列;
功率谱计算模块,用于对所述第一搏动间期序列进行计算得到功率谱,并从所述功率谱中获取目标超低频能量值、目标低频能量值和目标高频能量值,其中,所述目标超低频能量值指的是指频率小于第一频率阈值的目标脉搏信号的能量总和,所述目标低频能量值指的是指频率大于第一频率阈值且小于第二频率阈值的目标脉搏信号的能量总和,所述目标高频能量值指的是频率大于第二频率阈值的目标脉搏信号的能量总和,所述第一频率阈值小于所述第二频率阈值;
目标总能量值获取模块,用于根据所述功率谱中的目标超低频能量值、目标低频能量值和目标高频能量值得到所述功率谱的目标总能量值;
数据获取模块,用于根据所述功率谱中的目标高频能量值得到目标抗压数据,并根据所述功率谱中的目标总能量值得到目标疲劳数据。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910443994.7A CN110141205B (zh) | 2019-05-27 | 2019-05-27 | 基于hrv技术的抗压数据、疲劳数据的测试方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910443994.7A CN110141205B (zh) | 2019-05-27 | 2019-05-27 | 基于hrv技术的抗压数据、疲劳数据的测试方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110141205A true CN110141205A (zh) | 2019-08-20 |
CN110141205B CN110141205B (zh) | 2022-03-11 |
Family
ID=67593299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910443994.7A Active CN110141205B (zh) | 2019-05-27 | 2019-05-27 | 基于hrv技术的抗压数据、疲劳数据的测试方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110141205B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111248928A (zh) * | 2020-01-20 | 2020-06-09 | 北京津发科技股份有限公司 | 压力识别方法及装置 |
CN113712566A (zh) * | 2020-05-12 | 2021-11-30 | 深圳市科瑞康实业有限公司 | 一种生成心搏间期差值数据序列的方法和装置 |
CN117271977A (zh) * | 2023-09-27 | 2023-12-22 | 北京津发科技股份有限公司 | 一种hrv数据预处理方法、装置及电子设备 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006198403A (ja) * | 2005-01-18 | 2006-08-03 | Dailycare Biomedical Inc | 心拍変動分析装置 |
CN101642368A (zh) * | 2008-08-04 | 2010-02-10 | 南京大学 | 自主神经功能信号的处理方法、装置和测试系统 |
CN102934998A (zh) * | 2012-11-29 | 2013-02-20 | 深圳市健康鼠科技有限公司 | 压力评估系统、舒缓压力控制系统和运动减压控制方法 |
CN103020472A (zh) * | 2012-12-27 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 基于约束估计的生理信号质量评估方法和系统 |
CN103027667A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 脉搏波的特征参数提取 |
KR101264156B1 (ko) * | 2011-05-27 | 2013-05-14 | 전자부품연구원 | Hrv로부터 획득한 스트레스 지수를 이용한 건강관리 시스템 및 방법 |
US20130144181A1 (en) * | 2010-04-14 | 2013-06-06 | Donovan L. Fogt | Measurements of fatigue level using heart rate variability data |
US20140005947A1 (en) * | 2012-06-28 | 2014-01-02 | Korea Electronics Technology Institute | Health care system and method using stress index acquired from heart rate variation |
CN103565427A (zh) * | 2013-11-19 | 2014-02-12 | 深圳邦健生物医疗设备股份有限公司 | 准周期生理信号特征点的检测 |
CN103610457A (zh) * | 2013-11-19 | 2014-03-05 | 深圳先进技术研究院 | 一种心电信号的处理方法及系统 |
CN103815896A (zh) * | 2014-01-22 | 2014-05-28 | 东软熙康健康科技有限公司 | 一种精神疲劳监测方法、装置、系统及移动处理终端 |
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 |
CN104622446A (zh) * | 2015-02-03 | 2015-05-20 | 南京理工大学 | 一种基于khm聚类算法的心率变异信号优化方法 |
US20150265174A1 (en) * | 2014-03-18 | 2015-09-24 | Jami SHAKIBI GILANI | Non-Invasive Evaluation of Cardiac Repolarisation Instability for Risk Stratification of Sudden Cardiac Death |
WO2015142046A1 (ko) * | 2014-03-19 | 2015-09-24 | 주식회사 메디코아 | 자율신경 균형 및 조절능력의 평가 장치 및 그 제어 방법 |
CN105105732A (zh) * | 2015-08-14 | 2015-12-02 | 姚丽峰 | 实现脉搏心率检测以及情绪和疲劳程度监测的系统及方法 |
CN106137226A (zh) * | 2016-07-29 | 2016-11-23 | 华南理工大学 | 一种基于心源性呼吸信号的精神压力评估方法 |
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 |
CN106691402A (zh) * | 2016-12-19 | 2017-05-24 | 深圳欧德蒙科技有限公司 | 一种基于脉搏特征的疲劳程度分析方法和装置 |
CN206792400U (zh) * | 2017-01-16 | 2017-12-26 | 吉林东华原医疗设备有限责任公司 | 心率变异性检测装置 |
CN107693031A (zh) * | 2017-09-29 | 2018-02-16 | 浙江千成电子科技有限公司 | 一种疲劳驾驶检测方法及检测设备 |
CN108670291A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于emd结合改进的mfcc的心音类型识别方法 |
KR20180116184A (ko) * | 2014-03-19 | 2018-10-24 | 주식회사 메디코아 | 자율신경 균형 및 조절능력의 평가 장치 및 그 제어 방법 |
CN109350020A (zh) * | 2018-11-21 | 2019-02-19 | 新绎健康科技有限公司 | 身心健康状况分析装置及方法 |
-
2019
- 2019-05-27 CN CN201910443994.7A patent/CN110141205B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006198403A (ja) * | 2005-01-18 | 2006-08-03 | Dailycare Biomedical Inc | 心拍変動分析装置 |
CN101642368A (zh) * | 2008-08-04 | 2010-02-10 | 南京大学 | 自主神经功能信号的处理方法、装置和测试系统 |
US20130144181A1 (en) * | 2010-04-14 | 2013-06-06 | Donovan L. Fogt | Measurements of fatigue level using heart rate variability data |
KR101264156B1 (ko) * | 2011-05-27 | 2013-05-14 | 전자부품연구원 | Hrv로부터 획득한 스트레스 지수를 이용한 건강관리 시스템 및 방법 |
CN103027667A (zh) * | 2011-09-30 | 2013-04-10 | Ge医疗系统环球技术有限公司 | 脉搏波的特征参数提取 |
US20140005947A1 (en) * | 2012-06-28 | 2014-01-02 | Korea Electronics Technology Institute | Health care system and method using stress index acquired from heart rate variation |
CN102934998A (zh) * | 2012-11-29 | 2013-02-20 | 深圳市健康鼠科技有限公司 | 压力评估系统、舒缓压力控制系统和运动减压控制方法 |
CN103020472A (zh) * | 2012-12-27 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 基于约束估计的生理信号质量评估方法和系统 |
CN103565427A (zh) * | 2013-11-19 | 2014-02-12 | 深圳邦健生物医疗设备股份有限公司 | 准周期生理信号特征点的检测 |
CN103610457A (zh) * | 2013-11-19 | 2014-03-05 | 深圳先进技术研究院 | 一种心电信号的处理方法及系统 |
CN103815896A (zh) * | 2014-01-22 | 2014-05-28 | 东软熙康健康科技有限公司 | 一种精神疲劳监测方法、装置、系统及移动处理终端 |
US20150265174A1 (en) * | 2014-03-18 | 2015-09-24 | Jami SHAKIBI GILANI | Non-Invasive Evaluation of Cardiac Repolarisation Instability for Risk Stratification of Sudden Cardiac Death |
KR20180116184A (ko) * | 2014-03-19 | 2018-10-24 | 주식회사 메디코아 | 자율신경 균형 및 조절능력의 평가 장치 및 그 제어 방법 |
WO2015142046A1 (ko) * | 2014-03-19 | 2015-09-24 | 주식회사 메디코아 | 자율신경 균형 및 조절능력의 평가 장치 및 그 제어 방법 |
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 |
CN104622446A (zh) * | 2015-02-03 | 2015-05-20 | 南京理工大学 | 一种基于khm聚类算法的心率变异信号优化方法 |
CN105105732A (zh) * | 2015-08-14 | 2015-12-02 | 姚丽峰 | 实现脉搏心率检测以及情绪和疲劳程度监测的系统及方法 |
CN106137226A (zh) * | 2016-07-29 | 2016-11-23 | 华南理工大学 | 一种基于心源性呼吸信号的精神压力评估方法 |
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 |
CN106691402A (zh) * | 2016-12-19 | 2017-05-24 | 深圳欧德蒙科技有限公司 | 一种基于脉搏特征的疲劳程度分析方法和装置 |
CN206792400U (zh) * | 2017-01-16 | 2017-12-26 | 吉林东华原医疗设备有限责任公司 | 心率变异性检测装置 |
CN107693031A (zh) * | 2017-09-29 | 2018-02-16 | 浙江千成电子科技有限公司 | 一种疲劳驾驶检测方法及检测设备 |
CN108670291A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于emd结合改进的mfcc的心音类型识别方法 |
CN109350020A (zh) * | 2018-11-21 | 2019-02-19 | 新绎健康科技有限公司 | 身心健康状况分析装置及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111248928A (zh) * | 2020-01-20 | 2020-06-09 | 北京津发科技股份有限公司 | 压力识别方法及装置 |
CN113712566A (zh) * | 2020-05-12 | 2021-11-30 | 深圳市科瑞康实业有限公司 | 一种生成心搏间期差值数据序列的方法和装置 |
CN113712566B (zh) * | 2020-05-12 | 2024-02-06 | 深圳市科瑞康实业有限公司 | 一种生成心搏间期差值数据序列的方法和装置 |
CN117271977A (zh) * | 2023-09-27 | 2023-12-22 | 北京津发科技股份有限公司 | 一种hrv数据预处理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110141205B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hwang et al. | Deep ECGNet: An optimal deep learning framework for monitoring mental stress using ultra short-term ECG signals | |
CN110141205A (zh) | 基于hrv技术的抗压数据、疲劳数据的测试方法和装置 | |
Khamene et al. | A new method for the extraction of fetal ECG from the composite abdominal signal | |
Mitsis et al. | Modeling of nonlinear physiological systems with fast and slow dynamics. II. Application to cerebral autoregulation | |
Ramshur Jr | Design, evaluation, and application of heart rate variability analysis software (HRVAS) | |
CN110236573B (zh) | 心理压力状态的检测方法及相关装置 | |
CN108056773A (zh) | 基于改进变分模态分解的心电信号qrs波群检测算法 | |
Kim et al. | Personal recognition using convolutional neural network with ECG coupling image | |
CN109948396B (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
Shnitzer et al. | Recovering hidden components in multimodal data with composite diffusion operators | |
WO2021164349A1 (zh) | 一种基于光体积变化描记图法信号的血压预测方法和装置 | |
CN109846476A (zh) | 一种基于机器学习技术的室颤识别方法 | |
CN115581465A (zh) | 冠心病风险评估方法和装置、心脏性猝死风险评估方法和系统 | |
CN112120691A (zh) | 基于深度学习的信号识别方法、装置和计算机设备 | |
CN115363586A (zh) | 一种基于脉搏波信号的心理压力等级评估系统及方法 | |
Garcia et al. | A multiple linear regression model for carotid-to-femoral pulse wave velocity estimation based on schrodinger spectrum characterization | |
Aamir et al. | Automatic Heart Disease Detection by Classification of Ventricular Arrhythmias on ECG Using Machine Learning. | |
CN108703748A (zh) | 基于脉搏波谐波的人体健康状态评测方法 | |
Almadani et al. | One-dimensional W-NETR for non-invasive single channel fetal ECG extraction | |
CN113925495B (zh) | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 | |
CN113192598A (zh) | taVNS疗法的疗效预测方法及系统 | |
CN114041801A (zh) | 基于psa-ewt和dcgan的心电信号重构方法及重构系统 | |
Kim et al. | Ensemble networks for user recognition in various situations based on electrocardiogram | |
Bozhokin et al. | Elimination of Boundary Effects at the Numerical Implementation of Continuous Wavelet Transform to Nonstationary Biomedical Signals. | |
Sanamdikar et al. | Analysis of several characteristics of ECG signal for cardiac arrhythmia detection |
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 |