CN110731787B - 一种基于多源数据信息的疲劳状态因果网络方法 - Google Patents

一种基于多源数据信息的疲劳状态因果网络方法 Download PDF

Info

Publication number
CN110731787B
CN110731787B CN201910915956.7A CN201910915956A CN110731787B CN 110731787 B CN110731787 B CN 110731787B CN 201910915956 A CN201910915956 A CN 201910915956A CN 110731787 B CN110731787 B CN 110731787B
Authority
CN
China
Prior art keywords
data
correlation
causal
physiological
physiological 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.)
Active
Application number
CN201910915956.7A
Other languages
English (en)
Other versions
CN110731787A (zh
Inventor
任长娥
袁超
杜涛
王岩
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.)
Capital Normal University
Original Assignee
Capital Normal University
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 Capital Normal University filed Critical Capital Normal University
Priority to CN201910915956.7A priority Critical patent/CN110731787B/zh
Publication of CN110731787A publication Critical patent/CN110731787A/zh
Application granted granted Critical
Publication of CN110731787B publication Critical patent/CN110731787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • 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
    • A61B5/24—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
    • A61B5/7271—Specific aspects of physiological measurement analysis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Psychiatry (AREA)
  • Pulmonology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开一种基于多源数据信息的疲劳状态因果网络方法。步骤如下：一、采集与人体疲劳状态相关的呼吸、心率数据；二、针对每一项生理数据，使用外推拟合方法去除野值；三、任选两项生理数据，检验该两项数据之间是否具有相关关系；四、对于具有相关关系的两项生理数据，采用格兰杰因果分析方法检验二者之间是否具有因果关系；五、循环选择两组生理数据，运用第四步中的格兰杰因果分析方法；六、遍历所有生理数据后，建立变量间的因果关系网络。本发明的方法具有精度高、计算量小、兼容性强等优点。可用于汽车、轮船、飞机等载体工作人员的疲劳状态因果分析与检测，提高基于多源数据信息融合的疲劳状态因果分析准确率，具有较高应用价值。

Description

一种基于多源数据信息的疲劳状态因果网络方法
技术领域
本发明涉及一种基于多源数据信息的疲劳状态因果网络方法，可用于汽车、轮船、飞机等载体工作人员的疲劳状态因果分析与检测，提高基于多源数据信息融合的疲劳状态因果分析准确率。
背景技术
在特殊环境下作业，人的某些生理指标值会发生变化，这些生理数据的变化可能会导致某些生理疾病的发生。例如长时间在密闭的环境中作业，可能更容易疲劳、抑郁等。疲劳状况是对某些生理亚健康状态的预警，因此研究特殊作业环境下人的疲劳状态将有助于对人的健康状态进行预测，以便合理改善他们的工作条件，这具有重要意义。
论文《基于深度学习和面部多源动态行为融合的驾驶员疲劳检测方法研究》提出的机器学习方法可以通过学习某些生理指标的数据集，来判断人体是否处于疲劳状态。但是操作过程复杂，并且无法给出这些生理指标之间的因果关系。
格兰杰因果关系分析不仅能够描述不同生理特征数据相互作用的强度，还可以表明它们之间相互作用的因果关系，这与传统的分析方法如相关、相干及互信息等算法相比具有明显优势。因此，结合格兰杰因果关系分析人的生理特征参数之间的关系有着显著的优势。由于因果关系是有方向、客观存在的，所以可以通过“操纵”原因来获得预期的结果，使得人们对自然世界获得较强的主观能动性，这使得人们研究因果关系具有重要意义。
发明内容
本发明的目的在于提供一种基于多源数据信息的疲劳状态因果网络方法，以克服上述机器学习方法的缺陷，将格兰杰因果分析方法应用于影响人体疲劳状态的各项生理指标进行分析。本发明的方法经过数据采集与预处理、相关关系检验、格兰杰因果关系检验、构建因果网络等步骤，可以快速找到各项生理指标之间的因果关系。本发明的方法可用于汽车、轮船、飞机等载体工作人员的疲劳状态因果分析与检测，提高基于多源数据信息融合的疲劳状态因果分析准确率，具有较高的应用价值。
本发明的技术解决方案为：
一种基于多源数据信息的疲劳状态因果网络方法，其特征在于包括以下步骤：
第一步，采集与人体疲劳状态相关的呼吸、心率等生理数据；
具体包括：利用心肺功能测定仪收集呼吸数据，利用心电监测仪收集心率数据，上述呼吸数据包括：呼吸商(R)、呼吸频率(Rf)、潮波式流气量(VT)、通气量(VE)、每分钟氧气消耗量(VO2)、每分钟二氧化碳消耗量(VCO2)、呼气末氧分压(PetO2)、呼气末二氧化碳分压(PetCO2)每分钟能量消耗量(EEm)；上述心率数据包括：心率(HR)。
第二步，针对每一项项生理数据，去除野值；
具体可使用外推拟合方法去除野值，步骤包括：针对所采集的呼吸和心率数据中的每一单项生理数据，任选从第n时刻至第n+4时刻的五个连续的测量数据，记为zn,zn+1,zn+2,zn+3,zn+4，依据前四个时刻数据，计算第n+4时刻的估计值
Figure BDA0002216113840000021
如下：
Figure BDA0002216113840000022
计算出估计值
Figure BDA0002216113840000023
后与第n+4时刻测量值zn+4进行比较，当满足
Figure BDA0002216113840000024
时，则认为zn+4是正常值，否则认为zn+4为野值，将其去除。其中σ为均方误差，可以通过查阅传感器说明书获得。
第三步，任选两项生理数据，检验该两项数据之间是否具有相关关系；
具体包括：从第一步所采集的生理数据中任选两项，检验它们之间是否具有相关关系。相关关系计算公式如下：
Figure BDA0002216113840000031
其中X与Y分别表示两组变量，cov(X,Y)表示X与Y的协方差，
Figure BDA0002216113840000032
为X的标准差，
Figure BDA0002216113840000033
为Y的标准差，ρXY表示X与Y的相关系数。设定一个阈值e，当|ρXY|≥e时，认为变量X与Y之间存在相关关系。对任意两项生理数据，均执行上述相关关系计算，找出所有存在相关关系的生理指标。
第四步，采用格兰杰因果分析方法检验第三步得到的存在相关关系的其中两组数据之间是否具有因果关系；
具体包括：如果两项生理指标之间的相关系数ρXY≥0.8，则认为这两项生理指标之间存在相关关系。当两个变量之间存在相关关系时，才进一步检验它们之间的因果关系。因果关系的检验按照如下方式进行：
假定X(t)和Y(t)为两个具有相关关系的随机平稳时间序列，则变量Y(t)可以用它的自回归方程和它与X(t)之间的相互作用来表达，表达式为：
Figure BDA0002216113840000034
其中，p,q分别为X(t)和Y(t)回归方程中的滞后阶数；i和j为滞后项数，i的取值为1到p之间的整数，j的取值为1到q之间的整数；X(t-i)为X(t)的第i个滞后项，Y(t-j)为Y(t)的第j个滞后项，αYX(i)和αYY(i)为Y(t)的系数估计值，e(t)为Y(t)的白噪声。如果αYX(i)(i＝1,2,...p)在统计学上整体显著不为零，则说明X(t)是Y(t)的格兰杰原因。如果αYX(i)(i＝1,2,...p)在统计学上整体显著等于零，则说明X(t)和Y(t)不存在因果关系。
第五步，循环选择两组生理数据，运用第四步中的格兰杰因果分析方法；
具体包括：对于第三步中已确定的具有相关关系的生理数据，运用第四步中的格兰杰因果检验方法，检验任意两组数据之间的格兰杰因果关系，直到所有数据之间的因果关系均被检验。
第六步，遍历所有生理数据后，建立变量间的因果关系网络。
具体包括：对于第五步已经检验出的格兰杰因果关系，画出各项数据之间的因果关系网络图。用箭头表示数据之间的因果关系方向，箭头由“原因”变量指向“结果”变量。
本发明与现有技术相比的优点在于：
(1)本发明的方法操作简单，且具有精度高、计算量小的优点。
(2)本发明的方法可以帮助人们快速找到各项生理数据之间的因果关系网络，从而通过控制“原因”变量，得到预期的结果。本发明的方法可用于汽车、轮船、飞机等载体工作人员的疲劳状态因果分析与检测，提高基于多源数据信息融合的疲劳状态因果分析准确率，具有较高的应用价值。
附图说明
图1为本发明的方法的实现流程图；
图2为本发明的一个实施例的因果网络图；
具体实施方式
以下结合实施例及附图对本发明进行清楚、完整地的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，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。
在本发明中若涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。
请参照图1，图1为本发明的方法的实现流程图。
步骤S1，用K4b2心肺功能测定仪收集9个被测试者的呼吸数据，用心电监测仪收集被测试者的心率数据。上述数据呼吸包括：呼吸商(R)、呼吸频率(Rf)、潮波式流气量(VT)、通气量(VE)、每分钟氧气消耗量(VO2)、每分钟二氧化碳消耗量(VCO2)、呼气末氧分压(PetO2)、呼气末二氧化碳分压(PetCO2)、每分钟能量消耗量(EEm)；上述心率数据包括：心率(HR)。以上共计10项生理指标，每项生理指标采集369个数据，每次采集的上述10项数据一一对应保存。
步骤S2，针对所采集的呼吸和心率数据中的每一项生理数据，任选从第n时刻至第n+4时刻的五个连续的测量数据，记为zn,zn+1,zn+2,zn+3,zn+4，依据前四个时刻数据，计算第n+4时刻的估计值
Figure BDA0002216113840000051
将估计值
Figure BDA0002216113840000052
与第n+4时刻测量值zn+4进行比较，如果
Figure BDA0002216113840000053
则认为zn+4是正常值，否则认为zn+4为野值，将其去除。其中σ为均方误差，可以通过查阅传感器说明书获得。
步骤S3，检验10项生理数据之间是否具有相关关系。相关系数计算公式如下：
Figure BDA0002216113840000054
其中X与Y分别表示两组变量，cov(X,Y)表示X与Y的协方差，
Figure BDA0002216113840000055
为X的标准差，
Figure BDA0002216113840000056
为Y的标准差，ρXY表示X与Y的相关系数。设定一个阈值e，当|rXY|≥e时，认为变量X与Y之间存在相关关系。在本发明的实施例中，设定e＝0.8，当ρXY≥0.8时，认为两项生理指标之间存在相关关系。对任意两项生理数据，均执行上述相关关系计算，找出所有存在相关关系的生理指标。在本发明的一个实施例中，经相关关系检验，存在相关关系的生理指标有：VE和VO2,VE和VCO2,VO2和VCO2,EEm和VCO2,EEm和VO2。
步骤S4，采用格兰杰因果分析方法检验第三步得到的存在相关关系的其中两组数据之间是否具有因果关系；实施方式如下：
当两个变量之间存在相关关系时，才进一步检验它们之间的因果关系。因果关系的检验按照如下方式进行：假定X(t)和Y(t)为步骤S3中所得的两个具有相关关系的随机平稳时间序列，则变量Y(t)可以用它的自回归方程和它与X(t)之间的相互作用来表达，表达式为：
Figure BDA0002216113840000057
其中，p,q分别为X(t)和Y(t)回归方程中的滞后阶数；i和j为滞后项数，i的取值为1到p之间的整数，j的取值为1到q之间的整数；X(t-i)为X(t)的第i个滞后项，Y(t-j)为Y(t)的第j个滞后项，αYX(i)和αYY(i)为Y(t)的系数估计值，e(t)为Y(t)的白噪声。如果αYX(i)(i＝1,2,...p)在统计学上整体显著不为零，则说明X(t)是Y(t)的格兰杰原因。如果αYX(i)(i＝1,2,...p)在统计学上整体显著等于零，则说明X(t)和Y(t)不存在因果关系。在本发明的一个实施例中，p和q均取4阶滞后，因果关系检验借助Eviews10软件进行。
步骤S5，对于步骤S3中已确定的具有相关关系的数据，循环运用步骤S4中的格兰杰因果检验方法，检验任意两组数据之间是否具有因果关系，直到所有数据之间的因果关系均被检验。
步骤S6，对于步骤S5中已经检验出的存在因果关系的生理指标，绘制各项指标之间的因果关系网络图。用箭头表示生理指标之间的因果关系方向，箭头由“原因”变量指向“结果”变量。本发明的一个实施例得到的因果关系网络图将在图2中介绍。
请参照图2，在本发明的实施例中，经相关关系检验，存在相关关系的生理指标有：VE和VO2,VE和VCO2,VO2和VCO2,EEm和VCO2,EEm和VO2。进一步对上述5对生理指标进行格兰杰因果关系检验，得到图2所示结果。即：VE是VO2的格兰杰原因，VCO2是VE的格兰杰原因，VCO2是VO2的格兰杰原因，VCO2是EEm的格兰杰原因，VO2是EEm的格兰杰原因，EEm也是VO2的格兰杰原因。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (3)

1.一种基于多源数据信息的疲劳状态因果网络方法，其特征在于，包括以下步骤：
第一步，采集与人体疲劳状态相关的呼吸、心率数据；
第二步，针对每一项生理数据，使用外推拟合方法去除野值；
第三步，任选两项生理数据，检验该两项数据之间是否具有相关关系；
第四步，对于具有相关关系的两项生理数据，采用格兰杰因果分析方法检验该两组数据之间是否具有因果关系；
第五步，循环选择两组生理数据，运用第四步中的格兰杰因果分析方法；
第六步，遍历所有生理数据后，建立变量间的因果关系网络；
其中，在第三步，检验10项生理数据之间是否具有相关关系；相关系数计算公式如下：
Figure FDA0003630321900000011
其中X与Y分别表示两组变量，cov(X,Y)表示X与Y的协方差，
Figure FDA0003630321900000012
为X的标准差，
Figure FDA0003630321900000013
为Y的标准差，ρXY表示X与Y的相关系数；设定一个阈值ε，当|ρXY|≥ε时，认为变量X与Y之间存在相关关系；设定ε＝0.8，当ρXY≥0.8时，认为两项生理指标之间存在相关关系；当两个变量之间存在相关关系时，才进一步检验它们之间的因果关系；
设X(t)和Y(t)为两个具有相关关系的随机平稳时间序列，则变量Y(t)用它的自回归方程和它与X(t)之间的相互作用来表达，表达式为：
Figure FDA0003630321900000014
其中，p,q分别为X(t)和Y(t)回归方程中的滞后阶数；i和j为滞后项数，i的取值为1到p之间的整数，j的取值为1到q之间的整数；X(t-i)为X(t)的第i个滞后项，Y(t-j)为Y(t)的第j个滞后项，αYX(i)和αYY(i)为Y(t)的系数估计值，ε(t)为Y(t)的白噪声；如果αYX(i)在统计学上整体显著不为零，则说明X(t)是Y(t)的格兰杰原因；如果αYX(i)在统计学上整体显著等于零，则说明X(t)和Y(t)不存在因果关系，其中，i＝1,2,...p。
2.根据权利要求1所述的基于多源数据信息的疲劳状态因果网络方法，其特征在于：所述的呼吸数据包括：呼吸商、呼吸频率、潮波式流气量、通气量、每分钟氧气消耗量、每分钟二氧化碳消耗量、呼气末氧分压、呼气末二氧化碳分压、每分钟能量消耗量；所述的心率数据包括：心率。
3.根据权利要求1所述的基于多源数据信息的疲劳状态因果网络方法，其特征在于：根据已经检验出的格兰杰因果关系，得到各项生理指标之间的因果网络图。
CN201910915956.7A 2019-09-26 2019-09-26 一种基于多源数据信息的疲劳状态因果网络方法 Active CN110731787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910915956.7A CN110731787B (zh) 2019-09-26 2019-09-26 一种基于多源数据信息的疲劳状态因果网络方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910915956.7A CN110731787B (zh) 2019-09-26 2019-09-26 一种基于多源数据信息的疲劳状态因果网络方法

Publications (2)

Publication Number Publication Date
CN110731787A CN110731787A (zh) 2020-01-31
CN110731787B true CN110731787B (zh) 2022-07-22

Family

ID=69269682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910915956.7A Active CN110731787B (zh) 2019-09-26 2019-09-26 一种基于多源数据信息的疲劳状态因果网络方法

Country Status (1)

Country Link
CN (1) CN110731787B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113243919A (zh) * 2021-04-01 2021-08-13 上海工程技术大学 一种列车司机疲劳状态识别及监控系统
CN113422763B (zh) * 2021-06-04 2022-10-25 桂林电子科技大学 基于攻击场景构建的报警关联分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014064604A (ja) * 2012-09-24 2014-04-17 Denso Corp ストレス評価装置、及び、ストレス評価プログラム
CN104473636A (zh) * 2014-12-30 2015-04-01 天津大学 一种基于偏定向相干的疲劳脑网络分析方法
CN108113657A (zh) * 2016-11-30 2018-06-05 天津职业技术师范大学 一种基于d-s证据理论的驾驶员疲劳检测方法
CN109063939A (zh) * 2018-11-01 2018-12-21 华中科技大学 一种基于邻域门长短期记忆网络的风速预测方法及系统
CN109993281A (zh) * 2019-03-28 2019-07-09 北京工业大学 一种基于深度学习的因果关系挖掘方法
WO2019158810A1 (en) * 2018-02-14 2019-08-22 Cerenion Oy Apparatus and method for electroencephalographic measurement

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014064604A (ja) * 2012-09-24 2014-04-17 Denso Corp ストレス評価装置、及び、ストレス評価プログラム
CN104473636A (zh) * 2014-12-30 2015-04-01 天津大学 一种基于偏定向相干的疲劳脑网络分析方法
CN108113657A (zh) * 2016-11-30 2018-06-05 天津职业技术师范大学 一种基于d-s证据理论的驾驶员疲劳检测方法
WO2019158810A1 (en) * 2018-02-14 2019-08-22 Cerenion Oy Apparatus and method for electroencephalographic measurement
CN109063939A (zh) * 2018-11-01 2018-12-21 华中科技大学 一种基于邻域门长短期记忆网络的风速预测方法及系统
CN109993281A (zh) * 2019-03-28 2019-07-09 北京工业大学 一种基于深度学习的因果关系挖掘方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于近红外光谱的驾驶员脑功能网络效应连接及实车驾驶行为分析;刘治安;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20181231;第2章脑功能网络效应连接构建至第4章实验结果及统计分析，参考文献38 *

Also Published As

Publication number Publication date
CN110731787A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
Shimazaki et al. Cuffless blood pressure estimation from only the waveform of photoplethysmography using CNN
CN110420019B (zh) 一种心冲击图信号的深度回归心率估计方法
Yang et al. Spatiotemporal differentiation of myocardial infarctions
CN102727223B (zh) 基于多生理参数pca融合的脑力负荷测量方法
CN102715889B (zh) 一种脑力负荷检测方法
CN107358196A (zh) 一种心搏类型的分类方法、装置及心电仪
CN110731787B (zh) 一种基于多源数据信息的疲劳状态因果网络方法
US20120150054A1 (en) Respiratory condition analysis apparatus, respiratory condition display apparatus, processing method therein, and program
CN110755085B (zh) 基于关节活动度与运动协调性的运动功能评估方法及设备
TW201424683A (zh) 脈波與體質健康風險評估系統與方法
CN109864739A (zh) 一种从10秒心电图中识别二度房室传导阻滞的方法
CN111248928A (zh) 压力识别方法及装置
Forouzanfar et al. Adaptive neuro-fuzzy inference system for oscillometric blood pressure estimation
CN117598700A (zh) 智能化血氧饱和度检测系统及方法
CN109846476A (zh) 一种基于机器学习技术的室颤识别方法
Rajaguru et al. Performance analysis of classifiers in detection of respiratory disorder through capnography
CN110598789A (zh) 一种基于模糊感知器的人体疲劳状态预测方法及系统
Liu et al. The impact of noise on the reliability of heart-rate variability and complexity analysis in trauma patients
Jarchi et al. Transition detection and activity classification from wearable sensors using singular spectrum analysis
JP2020048622A (ja) 生体状態推定装置
Patidar et al. Classification of normal and myopathy EMG signals using BP neural network
CN111209816B (zh) 一种基于正则极限学习机的非接触式疲劳驾驶检测方法
Leite et al. Long-range dependence in heart rate variability data: ARFIMA modelling vs detrended fluctuation analysis
CN113729708A (zh) 一种基于眼动技术的谎言评判方法
Rahmaniar et al. Classification of Hypertension Levels Based on Photoplethysmography Signals Using Convolutional Neural Network (CNN)

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