CN111447872A - 生理信号分析装置与方法 - Google Patents

生理信号分析装置与方法 Download PDF

Info

Publication number
CN111447872A
CN111447872A CN201880079876.6A CN201880079876A CN111447872A CN 111447872 A CN111447872 A CN 111447872A CN 201880079876 A CN201880079876 A CN 201880079876A CN 111447872 A CN111447872 A CN 111447872A
Authority
CN
China
Prior art keywords
intrinsic
module
function
signal
axis
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
Application number
CN201880079876.6A
Other languages
English (en)
Inventor
诺顿·E·黄
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.)
Nuo DunEHuang
Adna Technology Co ltd
Original Assignee
Nuo DunEHuang
Adna Technology Co ltd
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 Nuo DunEHuang, Adna Technology Co ltd filed Critical Nuo DunEHuang
Publication of CN111447872A publication Critical patent/CN111447872A/zh
Pending legal-status Critical Current

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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]
    • A61B5/339—Displays specially adapted therefor
    • 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]
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
    • 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
    • G16H40/63—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 local operation
    • 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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
    • A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Psychology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Vascular Medicine (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Neurology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Neurosurgery (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一种或多种分析模块执行时可提供呈现心血管系统的生理信号的一种视觉输出。所述非暂态计算机程序产品包括代表数组本质模块函数(intrinsic mode functions；IMF)的第一轴；代表在时间区间中信号强度的函数的第二轴；以及多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义。

Description

生理信号分析装置与方法
相关申请的交叉引用
本发明请求于2017年12月11日提交的美国临时申请No.62/596,912的权益及优先权，该申请的揭露内容在此通过引用完全并入本发明中。
技术领域
本发明与用于生理信号分析的方法、模块和系统有关。更进一步地，本发明和一种用于分析心血管系统电活动的方法、模块和系统有关。
背景技术
在评估、诊断甚至预测一活体的生理状况时，生理信号提供了宝贵的信息。从活体得到的每一种生理信号能代表所述活体中某一系统的状况。
从一活体中能得到不同的生理信号，包括但不限于心电图(electrocardiogram；EKG)信号、肌电图(electromyogram；EMG)信号、视网膜电图(electroretiography；ERG)信号、血压、血氧饱和度(SpO2)信号、体温和肺功能分析(spirometry)信号。可以从一种或多种生理信号中获取多种参数，包括但不限于：电流、电阻、压力、流速、温度、振动、呼吸频率、重量、脉冲振幅、脉冲波速率或生理事件的发生频率。同时，这些参数也能以时间为区别标记被记录下来。这些参数可被一个或多个装置测量，并存储作为生理信号。所述生理信号可进一步地被处理为量化或质化信息，所述量化或质化信息在临床上对疾病的评估、诊断、分期或预后上扮演着重要角色。
生理信号可被一具有信号强度与时间的图代表，例如心电图或肌电图。然而，在分析所获取资讯时，图表中所出现的频率或波形中的噪声或扰动常被认为是无关的资讯。此外，在所获取参数之中隐藏的波形也可作为临床上对疾病的评估、诊断或预后的参考。因此，在视觉化呈现生理信号测量值和萃取重要信息时，信号处理扮演了非常重要的角色。
许多生理信号具有非稳态(non-stationary)和非线性(non-linear)的特质，造成信号处理上的显著障碍。用于生理波信号中的传统信号处理方法并没有对上述的障碍提供有效的解决方案，例如，傅立叶变换(Fourier transformation)经常被用来分析线性和稳态波的信号，例如光谱分析；然而，因其数学本质及几率分布特性，傅立叶变换无法从非稳态和非线性波信号中提供有意义的视觉化结果。
另一用于信号分析的传统方法为机率分布函数。机率分布函数是另外一种用于研究非确定性现象(non-deterministic phenomena)的工具。然而，由传统机率分布函数所叙述的信号必须是稳态且其振幅变化大的。传统的几率分布函数无法从非稳态和非线性波信号中提供洞见。
全像希尔伯特频谱分析(Holo-Hilbert spectralanalysis；HOSA)为一视觉化非稳态和线性波的工具。HOSA的数学原理已经汇整于Huang et al(Huang，N.E.，Hu，K.，Yang，A.C.，Chang，H.C.，Jia，D.，Liang，W.K.，Yeh，J.R.，Kao，C.L.，Juan，C.H.，Peng，C.K.andMeijer，J.H.(2016).On Holo-Hilbert spectral analysis：a full informationalspectral representation for nonlinear and non-stationarydata.Phil.Trans.R.Soc.A，374(2065))。当分析非稳态和非线性波时，HOSA采用了某些希尔伯特-黄变换(Hilbert-Huang)中的数学原理。然而，目前HOSA尚未应用在生理信号分析的领域中。
由于缺乏适当的信号处理工具，除了目前可获取的演算法和软件嵌入仪器外，与所获取的生理信号有关的数据经常需由受训过的专业人士进行分析。然而，生理测量数据的量和复杂度非常巨大。例如，一Holter氏心电图记录仪(Holter monitor)可针对一个体的活动产出24小时的心电图数据。该24小时心电图数据的量和复杂度即便对训练有素的专业人士来说也是难以负荷的，因此增加了没有侦测到或误判心电图偏移与异常心电图信号的机率。
从生理信号的非稳态和非线性本质以及其复杂度与量来看，目前亟需一种有效且直觉的方法以分析并视觉化生理信号。
发明内容
本发明的一目的为提供以HOSA作为基础且用来分析心血管系统电活动的方法和系统。
本发明的另一目的为提供一种或多种呈现心电图(electrocardiography；EKG)信号、肌电图(electromyography；EMG)信号或血压信号的视觉输出。
本发明的另一目的为提供一种或多种呈现异常心电图、肌电图和血压的视觉输出。
本发明的另一目的为提供一种或多种视觉输出，所述视觉输出用于在不同组个体、不同个体或同一个体的不同时间区间中，比较心血管系统的生理信号。
本发明的另一目的为提供HOSA在诊断心血管系统疾病上的应用。
本发明的一种实施例提供了一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一种或多种分析模块执行时可提供呈现一心血管系统的生理信号的一种视觉输出。所述非暂态计算机程序产品包括代表本质模块函数(intrinsic mode functions；IMF)的子集的第一轴；代表在一段时间区间中信号强度的函数的第二轴；以及多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在所述时间区间中所搜集的多个已分析数据单位。其中每一所述已分析数据单位包括第一坐标、第二坐标、以及机率密度值(probability densityvalue)，所述机率密度值是由本质模块函数的其中之一子集的本质机率密度函数(intrinsic probability density function)所生成，所述第一坐标是本质模块函数的其中一子集，所述第二坐标为信号强度的函数的变数。
在一较佳的实施例中，所述第二轴为所述信号强度在所述时间区间中的标准差或Z值(z-value)。
在一较佳的实施例中，所述机率密度值是由次级本质模块函数(secondary IMF)子集的初级本质模块函数(primary IMF)所生成，每一初级本质模块函数是由经验模态分解法(empirical mode decomposition；EMD)从多个生理信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
在一较佳的实施例中，所述生理信号为心电图信号、肌电图信号或血压信号。
在一较佳的实施例中，所述机率密度值是由不同颜色、灰阶、点分布图、多条曲线或多种网点所表示。
本发明的另一实施例提供了一种分析心血管系统的生理信号的系统。所述系统包括：侦测模块，用于侦测所述心血管系统的生理信号；传输模块，用于接收由所述侦测模块得到的生理信号并将所述生理信号传输至分析模块；所述分析模块，用于自所述生理信号生成多个已分析数据组，每一已分析数据组包括多个已分析数据单位；以及视觉输出模块根据所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出。其中所述视觉输出包括：代表本质模块函数组的子集的第一轴，代表在一段时间区间中信号强度的函数的第二轴，以及多个视觉元素，所述视觉元素包括第一座标、第二座标，和机率密度值，所述机率密度值是由本质模块函数的其中之一子集的本质机率密度函数所生成，所述第一坐标是本质模块函数的其中一子集，所述第二坐标为信号强度的函数的变数。
本发明的另一实施例提供了一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时可提供呈现生理信号的一种视觉输出。所述非暂态计算机程序产品包括代表多尺度熵(intrinsicmultiscale entropy；iMSE)的尺度的第一轴；代表本质模块函数的累计的第二轴；以及多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在一段时间区间中所搜集的已分析数据单位。其中每一所述已分析数据单位包括第一轴的第一座标、第二轴的第二座标，以及由所述本质模块函数所生成的多尺度熵值。
在一较佳的实施例中，所述本质模块函数为一组初级本质模块函数或一组次级本质模块函数，每一初级本质模块函数是由经验模态分解法从多个生理信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
在一较佳的实施例中，所述多尺度熵值是由不同颜色、灰阶、点分布图、多条曲线或多种网点所表示。
本发明的另一实施例提供了一种分析心血管系统的生理信号的系统。所述系统包括：侦测模块，用于侦测所述心血管系统的生理信号；传输模块，用于接收由所述侦测模块得到的生理信号并将所述生理信号传输至分析模块；分析模块，用于自所述生理信号生成多个已分析数据组，每一已分析数据组包括多个已分析数据单位；以及视觉输出模块用于根据所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出。其中所述视觉输出包括代表多尺度熵的尺度的第一轴、代表本质模块函数的累计的第二轴，以及多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在一段时间区间中所搜集的已分析数据单位，每一已分析数据单位包括第一轴的第一座标、第二轴的第二座标，以及由所述本质模块函数所生成的多尺度熵值。
附图说明
本发明的一种或多种实施方式将参照附图和示例，于以下叙述。
图1为符合本发明的一种实施例中，一种分析生理信号的系统的一示意图。
图2为符合本发明的一种实施例中，一种分析生理信号的方法的一流程图。
图3为符合本发明的一种实施例中，一种分析心电图信号的方法的一流程图。
图4为符合本发明的一种实施例中，一种分析血压的方法的一流程图。
图5A为符合本发明的一种实施例中，将电信号转换为一组初级本质模块函数(primary intrinsic mode function；primary IMF)的流程图；图5B为符合本发明的一种实施例中，一种内插法的流程图；图5C为符合本发明的一种实施例中，经验模态分解法(empirical mode decomposition)的一流程图；图5D为符合本发明的一种实施例中，由包络函数(envelope function)产出的次级本质模块函数(secondary intrinsic modefunction；secondary IMF)的一流程图；图5E为符合本发明的一种实施例中，由初级本质模块函数转换为调频(frequency modulation；FM)函数的一流程图；图5F为符合本发明的一种实施例中，由次级本质模块函数转换为调幅(amplitude modulation；AM)函数的一流程图。
图6为符合本发明的一种实施例中，一已分析数据单位的一示意图。
图7为描述白噪声、高斯噪声(Gaussian noise)、白噪声和高斯噪声的总和的一传统机率密度函数。
图8A-8F为符合本发明的多种实施例中，本质机率密度函数(intrinsicprobability density functions；iPDF)的多个视觉输出，用以描述白噪声、高斯噪声、白噪声和高斯噪声的总和，以及白噪声和高斯噪声的乘积。
图9A为一传统的强度-时间图表，用以描述白噪声和高斯噪声的乘积与总和的加性效果(additive effect)和乘性效果(multiplicative effect)；图9B为一传统的傅立叶光谱，用以描述白噪声和高斯噪声的乘积与总和的加性效果和乘积效果。
图10A-10B为符合本发明的一种实施例中，用以描述白噪声和高斯噪声的乘积与总和的本质机率密度函数的多个视觉输出。
图11为符合本发明的一种实施例中，另一已分析数据单位的一示意图。
图12为一数据点和振幅的图表。
图13A-14D为符合本发明的多种实施例中，用来表现具有不同疾病状态的不同组或不同年龄的本质多尺度熵(intrinsic multiscale entropy；iMSE)表现图。
图14A-14F为符合本发明的多种实施例中，用来对比在图13A-13D中不同组的多尺度熵表现图。
具体实施方式
需要注意到的是，为了图式的简明和清晰，在不同的图式中重复出现的标号指的是相对应或是同源的元件。另外，许多特定细节也被用来彻底说明此处所述的实施例。然而，本技术领域中具有通常知识者可以了解到的是，此处所述的实施例也可以不需要实施这些特定细节。在其他情境下，没有被仔细叙述的方法、过程和组件并不是为了模糊所述的相关特征。附图并不一定符合尺度且特定部位的比例可能会被夸大以更好地描绘细节和特征。以下叙述并非旨在限制以下所述实施例的范围。
以下就本发明中的多个名词定义进行说明。
「连接」指的是元件之间相互连接，无论是直接地连接或通过元件干涉而间接地连接，且不限于物理上的连接。该连接可为对象之间的永久连接或是可拆卸地连接。「包括」是指开放式之连接词或元件间关系。
根据本发明的一种或多种实施例，图1为一种分析生理信号的一系统的示意图。所述系统1包括一侦测模块10、一传输模块20、一分析模块30和一视觉输出模块40。所述系统1被设定为可侦测生理信号，以分析所述信号且能以图像化方式显示所述已分析的结果。所述生理信号可包括但不限于：心电图信号、肌电图信号、视网膜电图信号、血压、血氧饱和度信号、体温和肺功能分析信号。所述系统1也可包括其他电子元件或模块以增进效能或改进使用者体验。例如，所述系统1可包括一放大器模块或滤波器模块以在特定带宽增加信号强度、降低环境干扰噪声或基线飘移(baseline wandering)，以增强信号杂讯比(signal tonoise ratio)。例如，所述系统1可包括一模拟数字转换器(ADC)进行信号数字化。例如，所述系统1也可进一步地包括一存储模块以存储所述数字化信号或存储已分析数据。在一实例中，所述侦测模块10还可包括一数据获取模块，所述数据获取模块可执行所述放大器模块、所述模拟数字转换器和所述存储模块的功能。更进一步地，所述系统1也可包括一用户输入模块让用户可控制所述系统1，例如一键盘、一鼠标、一触控屏幕或一声控装置。
所述侦测模块10被设定为可接收生理信号且转换所述生理信号为电信号。所述侦测模块10可用来转换心血管活动、骨骼肌肉活动或血压为电信号。所述侦测模块10可包括一个或多个感测元件，所述感测元件可为一传感器(transducer)或一血压计。所述传感器可为双电位(bipotential)电极以感测多个电位或一电磁传感器以侦测磁场。所述血压计可为一振荡法(oscillometric)监测仪。一接地电极也可和一双电位电极配对以测量电位差，另外一参考电极也可被使用以降低噪声。所述侦测模块10也可用于所述活体生物的一个或多个特定区域的表面，以侦测特定生理信号。所述特定区域可包括但不限于：胸部以侦测心电图信号、骨骼肌上的皮肤以侦测肌电图信号，或静脉上的皮肤以侦测血压。在一实例中，所述侦测模块10包括至少10个双电位电极，所述双电位电极位于人体的四肢和胸部。所述双电位电极可为湿的(加上食盐水或电传导胶)或干的电极。
所述传输模块20被设定为可由所述侦测模块10接收所述电极信号且将所述信号传送至所述分析模块30。所述传输模块20可为有线或无线传输模块。若所述传输模块20为有线传输，则所述传输模块20也可包括一电性传导材料直接传递该信号至所述分析模块30或至所述存储模块以随后由所述分析模块30所处理。所述已侦测信号可存储于一行动装置、穿戴装置或无线传输至一数据处理站，可使用RF发送器(RF transmitter)、蓝牙(Bluetooth)、Wi-Fi或互联网传输。所述行动装置可为一智能型手机、一平板计算机或一笔记本电脑。所述穿戴装置可为一具有处理器的腕带、一具有处理器的头带、一具有处理器的衣物或一智能型手表。所述系统1中的各个模块可皆位于一装置之中且和彼此之间有电性连结，或也可彼此位置分散且由有线或无线通信网络的方式连结。
所述分析模块30被设定为可通过一系列步骤来处理信号。所述分析模块30可为单一的微处理器，例如一通用中央处理器(general purpose central processing unit)、一专用指令处理器(application specific instruction set processor)、一图形处理单元(graphic processing unit)、一现场可编程门阵列(field programmable gate array；FPGA)、一复合可编程逻辑装置(complex programmable logic device)或一数字信号处理器(digital signal processor)。所述分析模块30包括在计算机可读存储介质中实施的一非暂态计算机程序产品。该分析模块30也可包括多个微处理器或处理单元以执行该于计算机可读存储介质中实施的非暂态计算机程序产品，以在整个分析过程中执行各个不同的功能。
所述视觉输出模块40被设定为显示由所述分析模块30所生成的信息的图像化结果。所述视觉输出模块40可为一投影机、一屏幕或一打印机以输出所述分析结果。在一实例中，所述分析结果为具有图像化表现的一视觉输出，且可以被所述视觉输出模块40所显示于一彩色屏幕上、印出至纸上或电子档案中或显示于一灰阶屏幕上。
请见图2，本发明的一种或多种实施例提供了一种分析生理信号的方法。所述分析生理信号的方法可包括以下所述步骤。所述方法包括：S21侦测所述生理信号并将其视为已侦测信号，S22对所述已侦测信号执行经验模态分解法(empirical mode decomposition；EMD)以得到一组初级本质模块函数(primary intrinsic mode functions；IMFs)，S23a建立对应于所述本质模块函数的包络函数(envelope function)，S24执行所述经验模态分解法于所述包络函数上以得到一组次级本质模块函数(secondary IMFs)，S23b转换多个所述初级本质模块函数以得到多个调频(FM)函数，S25转换多个所述次级本质模块函数以得到多个调幅(AM)函数，S26根据所述调频(FM)函数和所述调幅(AM)函数产出数据组，S27产出一视觉输出空间。S22的所述经验模态分解法可为完全集体经验模态分解法(completeensemble empirical mode decomposition；CEEMD)、集体经验模态分解法(ensemble EMD；EEMD)、屏蔽经验模态分解法(masking EMD)、增强经验模态分解法(enhanced EMD)、多变量经验模态分解法(multivariate EMD；MEMD)、杂讯辅助多变量经验模态分解法(noise-assisted multivariate EMD；NA-MEMD)。S23b和S25中的转换可为希尔伯特转换(Hilberttransform)、直接正交法(Direct quadrature)、反三角函数(inversetrigonometric function)或通用零相交法(generalized zero-crossing)。
S21侦测生理信号并将其视为已侦测信号可于所述侦测模块中执行。见图3，根据本发明的一种实施例，所述生理信号可为心电图信号。见图4，根据本发明的一种实施例，所述生理信号也可为血压。在一实例中，所述已侦测信号也可以电位差(较佳的方式是以电压测量)方式被所述数据获取模块所获取。所述已侦测信号可被存储为一已侦测信号组，所述已侦测信号组包括多个已侦测信号单位且每一已侦测信号单位包括一信号强度和一段时间区间。所述数据获取模块的取样速率也可决定相邻数据之间的时间区间。如图1所示，所述分析模块30由已侦测信号生成已分析数据组，且所述已分析数据组可存储于视觉输出模块40的所述存储模块中。所述已分析数据组包括多个已分析数据单位。
根据本发明的多种实施例，所述步骤S22、S23a、S23b、S25、S32、S33a、S33b、S35、S42、S43a、S43b和S45进一步地由图5A至图5F说明。所述已侦测信号逐步转换或解构为多个初级本质模块函数、次级本质模块函数、包络函数、调幅(AM)函数和调频(FM)函数。
请见图5A，本发明的一种实施例提供了多个将用于已侦测信号的经验模态分解法。所述已侦测信号经由所述经验模态分解法转换为一组初级本质模块函数。在图5A中的多个经验模态分解法对应到图2的S22、图3的S32，或图4的S42。所述经验模态分解法包括了一系列的筛选过程(sifting process)以将一信号解构为一组本质模块函数。例如，多个初级本质模块函数可由所述已侦测信号经由经验模态分解法产出。一筛选过程由所述已侦测信号生成本质函数(intrinsic function)。例如，一第一筛选过程从所述已侦测信号51a产出一第一初级本质模块函数51b；一第二筛选过程从所述第一初级本质模块函数51b产出一第二初级本质模块函数51c；一第三筛选过程从所述第二初级本质模块函数51c产出一第三初级本质模块函数51d；一第m筛选过程从所述第(m-1)初级本质模块函数51mn产出一第m初级本质模块函数51n。筛选过程的数量是由其停止执行条件所决定。所述停止执行条件是由所述第m初级本质模块函数51n的信号衰减或变量所决定。
更进一步地，经验模态分解法包括在每一筛选过程中以屏蔽程序(maskingprocedure)或添加不同量级的噪声(同一噪声偶数对的正值或负值)解决模态混合所产生的问题。所述经验模态分解法也可以由总体函数(ensemble)法达成。
见图5B，本发明的一种或多种实施例提供了多个执行内插法(interpolation)的过程。图5B中的内插法对应到图2中的S23a、图3中的S33a，或图4中的S43a。一包络函数为从多个已侦测信号中执行内插法所生成的内插函数。所述包络函数连结已侦测信号的局部极大值(local extrema)。较佳地，所述包络函数将已侦测信号的绝对值函数的局部极大值连结起来。所述内插法的成果也可通过线性内插法、多项式内插法(polynomialinterpolation)、三角函数内插法(trignometic interpolation)或样条内插法(splineinterpolation，较佳地为三次样条插值(cubic spline interpolation))等方式达成。在图5B中的包络函数是由图5A中的本质模块函数经内插后而生成。一第一包络函数52a可由一第一初级本质模块函数c生成；一第二包络函数52b可由一第二初级本质模块函数51b生成；一第三包络函数53b可由一第三初级本质模块函数53a生成；一第(m-1)包络函数52m可由一第(m-1)初级本质模块函数51m生成；一第m包络函数52n可由一第n初级本质模块函数51n生成。
见图5C，本发明的一种或多种实施例提供了多个经验模态分解法。多组的次级本质模块函数是从所述包络函数通过经验模态分解法而产出。在图5C中的所述经验模态分解法对应到图2中的S24、图3的S34a，或图4的S44a。所述第一组次级本质模块函数组53a是由第一包络函数52a所产出；所述第二组次级本质模块函数组53b是由第二包络函数52b所产出；所述第(m-1)组次级本质模块函数组53m是由第(m-1)包络函数52m所产出；该第m组的次级本质模块函数组53n是由第m包络函数52n所产出。
见图5D，本发明的一种或多种实施例提供了多组次级本质模块函数。所述第m包络函数52n、第m组次级本质模块函数组53n和所述包含在第m组次级本质模块函数组53n中的多个次级本质模块函数皆被图5D示出。图5B中的所述第m包络函数52n包括：属于第m组次级本质模块函数组53n的第一次级本质模块函数54a、属于第m组次级本质模块函数组53n的第二次级本质模块函数54b、属于第m组次级本质模块函数组53n的第三次级本质模块函数54c、属于第m组次级本质模块函数组53n的第(n-1)次级本质模块函数54m和属于第m组次级本质模块函数组53n的第n次级本质模块函数54n。因此，在图5D中本质模块函数的数量为m组次级本质模块函数组乘上n个在一组次级本质模块函数中的个别次级本质模块函数。
见图5E和图5F，本发明的一种或多种实施例提供了一系列转换过程。所述转换过程为将一函数由实域(real domain)转换为复数域(complex domain)。所述转换过程包括至少一转换函数和一复数对应函数(complex pair function)的形成。所述转换函数可为一希尔伯特转换、一直接正交-零转换(direct-quadrature-zero transform)、一反三角函数转换、一通用零相交法转换。所述复数对应函数之形成，是将所述函数之实域部分和所述复数对应函数的虚域部分(imaginary part)相结合。
在图5E中，调频(FM)函数为多个复数对应函数且从初级本质模块函数经一适当的转换过程所生成。图5E中的转换过程对应到图2中的S23b、图3中的S33b，或图4中的S43b。所述第一初级本质模块函数51a经所述转换函数转换为一第一调频(FM)函数55a；所述第二初级本质模块函数51b经所述转换函数转换为一第二调频(FM)函数55b；所述第三初级本质模块函数51c经所述转换函数转换为一第三调频(FM)函数55c，以及所述第m初级本质模块函数51n经所述转换函数转换为一第m调频(FM)函数55n。
在图5F中，调幅(AM)函数为多个复数对应函数且从所述次级本质模块函数中经一系列转换过程所生成。该图5F中的转换过程对应到图2中的S25、图3中的S35，或图4中的S45。所述属于第一组次级本质模块函数组的第一次级本质模块函数54d可经所述转换过程转换为一(1，1)调幅(AM)函数56d；所述属于第一组次级本质模块函数的第二次级本质模块函数54e可经所述转换过程转换为一(1，2)调幅(AM)函数56e……而所述属于第一组次级本质模块函数的第n次级本质模块函数54k可经所述转换过程转换为一(1，n)调幅(AM)函数56k。更进一步地，所述属于第m组次级本质模块函数的第n次级本质模块函数54n可经所述转换过程转换为一(m，n)调幅(AM)函数56n。
见图5G，本发明的一种或多种实施例提供了一种已分析数据单位中的多个元件。在图5G中，所述已分析数据单位311包括一时间区间32、一第一坐标33、一第二坐标34和一信号强度值35。在一实施例中，所述时间区间32为当所述侦测模块侦测到所述生理信号时的一段时间区间，所述第一坐标33代表一以频率(Hz)为单位测量的调频(FM)瞬时频率(instantaneous frequency)而所述第二坐标34代表一以频率为单位测量的调幅(AM)瞬时速率。所述信号强度值35可代表以电位差(伏特)或电流(安培)测量的信号幅度，或为每单位时间内的能量强度(瓦特)。对所述时间区间内的每一已分析数据单位来说，所述第一座标33可为图5E中该第m调频(FM)函数55n在该相应时间区间中的自变量；所述第二座标34可为图5F中该(m，n)调幅(AM)函数56n在所述相应时间区间中的自变量；所述信号强度值35为所述包络函数在所述相应时间区间中的值。较佳地，所述第二座标34大于所述第一座标33。
见图6，为根据本发明的一种实施例所提供已分析数据单位的多个元件。在图6中，所述已分析数据单位60包括一机率密度值63、一第一座标61和一第二坐标62。所述机率密度函数(probability density function；PDF)为本质模块函数的一子集的机率密度函数。所述机率密度值为在一特定信号强度值或在一特定瞬时频率时的机率。在一实例中，所述第一座标代表一本质模块函数的子集的次序，而所述第二座标代表所述信号强度。在另一实例中，所述第一座标代表了z值而所述第二座标代表了瞬时频率。本质模块函数的子集可包括一本质模块函数元件或至少二个不同的本质模块函数元件的组合。所述信号强度值可代表由电位差(伏特)或电流(安培)所测量到的信号幅度，或可代表以每单位时间区间的能量强度(瓦特)作为单位的信号能量。在某些实例中，所述瞬时频率或所述特定信号强度值也可被平均值所集中或由标准差所正规化。
所述视觉输出空间包括一第一轴、一第二轴和多个视觉元素。每一视觉元素可包括由本质模块函数的子集所形成的特定范围的一个或多个已分析数据单位和所述机率密度值。所述视觉输出模块根据所述已分析数据组而生成视觉输出空间。一平滑处理过程(smoothing process)可用于所述视觉输出空间中具有稀疏矩阵数据单位(sparse dataunits)的视觉元素。
一平滑处理过程可在所述视觉输出空间中被用于所述视觉元素。所述平滑处理过程可为巴氏滤波器(Butterworth filter)、指数式平滑(exponential smoothing)、卡门滤波器(Kalman filter)、核心式平滑(Kernal smoother)、拉普拉斯平滑(Laplaciansmoothing)、移动平均(moving average)或其他影像平滑方法。
从图2-4和图5A-5F中所描绘的方法、原理和转换方法，自生理信号而来的多个实施例将展示于图8A-8D、图10A-10B、图13A-13D和图14A-14F。
如图7所示，此处提供了一描述白噪声、高斯噪声(Gaussian noise)、白噪声和高斯噪声的总和，以及白噪声和高斯噪声的乘积的传统机率密度函数。所述白噪声和高斯噪声是由模拟数据生成。图7中所使用的校正方法是使用10，000个样本的白噪声和一统一的标准差值。在此模型中验证了确定性Stokes形态波形(deterministic Stokes typewave)：y(t)＝5*cos[2*π*t/100+0.5*sin(2*π*t/100)]。图7描绘了所述确定性波形中用于白噪声的传统机率分布函数、加性汇总(additive sum)以及乘性乘积(multiplicativeproducts)。确定性Stokes形态波形的大振幅已超越了所述白噪声，使得汇总的所述机率分布函数呈现双峰，其乘积呈现超高斯(Super-Gaussian)。
根据本发明的一种或多种实施例，图8A-8F和图10A-10B为所述本质机率密度函数(iPDF)的视觉输出。在图8A-8F和图10A-10B中的每一视觉输出都包括一第一轴和一第二轴。所述第一轴代表本质模块函数一子集合的次序编号1-11，且每一次序编号代表了在一段时间区间中的一本质模块函数元件。所述第二轴代表被标准差所正规化的信号强度值。每一本质模块函数元件包括多个已分析数据单位，且每一已分析数据单位包括一机率密度值、一第一座标代表所述本质模块函数元件，以及一第二坐标代表所述标准差。在图8A-8F和图10A-10B中的每一机率密度值是由本质模块函数的一子集合所生成，且如图5A所描绘，每一本质模块函数是由经验模态分解法所生成。所述机率密度值也可自次级模块函数的一子集合生成，如图5B和5C所描绘。每一已分析数据单位的灰阶代表所述机率密度值，较深的灰色代表机率密度函数值为+0.1或-0.1，白色代表机率密度函数值为0，而介于前述灰色之间的灰则代表介于上述数值之间的机率密度函数值。
另外，所述本质机率密度函数的所述视觉输出中的所述机率密度值也可被色阶、点分布图或多种网点所表示。在一实施例中，红色代表机率密度值为+0.1、蓝色代表机率密度值为-0.1、白色代表机率密度值为0，而在前述色阶中的中间色则代表介于上述数值之间的机率密度函数值。在一实施例中，所述点分布图中，若点密度较高也可代表较大的机率密度值，而较低的点密度代表较小的机率密度值。在另一实施例中，所述网点图中具有较多网格的可代表较大的机率密度值，而具有较多点的可代表较低的机率密度值。相反地，所述色阶、灰阶图、点分布图或网点图也可在不同程度的所述机率密度值中代表不同的意义。
见图8A，根据本发明的一实施例，提供了一种高斯白噪声的本质机率密度函数的一视觉输出，所述视觉输出是以本质模块函数元件所表示。每一栏为一本质模块函数元件或多个本质模块函数的其中一子集，且每一所述本质模块函数元件应具有类似的傅立叶光谱，然而由于样本数量的限制，某些本质机率密度函数可能会明显偏离高斯分布，造成最后几个本质模块函数缺乏其所需的自由度。需特别注意的是由所述噪声而来的第一个本质模块函数，其代表了最接近尼奎斯特极限(Nyquist limit)的最高频波。因此，每一样本点不是一最大值就是一最小值，如此使得所述第一本质模块函数的机率密度函数确实呈现双峰。
见图8B，根据本发明的一实施例，提供了一种白噪声的部份和(partial sum)的本质机率密度函数的一视觉输出，所述视觉输出是以本质模块函数元件所表示。本质模块函数的每一子集包括多个本质模块函数的总和。在图8B中，其分布被绘制为所述时间尺度的一函数，且除了所述第一本质模块函数为双峰外，所述分布为均匀高斯分布。此处所示的小幅度偏离是因为样本数而造成的波动。由机率定律致使出较大的样本产生较平滑的结果。在图8B中，除了所述第一本质模块函数以外，其结果确实确认了一白噪声数据的期望值。
见图8C，根据本发明的一实施例，提供了一种白噪声以及确定性Stokes形态(deterministic Stokes type)波形的总和的本质机率密度函数的一视觉输出，所述视觉输出是以本质模块函数元件所表示。所述确定性Stokes形态波形的信号具有双峰分布。除了经验模态分解法的泄露可能会造成某些波动外，其他在图6C之中的元件还是接近于高斯分布。
见图8D，根据本发明的一实施例，提供了一种白噪声以及确定性Stokes形态波形的部份和的一视觉输出，所述视觉输出是以本质模块函数元件所表示。在图6D中，所述第一本质模块函数的分布仍呈现双峰；接续的三个部份和如期望地近乎为高斯分布。当所述确定性Stokes形态波形到总和时，所述分布于第5个部份和处有了剧烈改变，其规模庞大到后续的所有部份和皆呈现双峰。
见图8E，根据本发明的一实施例，提供了一种白噪声以及确定性Stokes形态波形的乘积的一视觉输出，所述视觉输出是以本质模块函数元件所表示。除了所述第一本质模块函数的本质机率密度函数不再为双峰外，本图中所述本质机率密度函数类似于图8A中所示的白噪声的本质机率密度函数。一确定性Stokes形态波形的调制已经修改了3点波形的幅度的范围，并使这3点波形近乎呈现高斯分布。在所有其他本质模块函数上执行的所述调制作用的目的为使接下来的3个本质模块函数稍呈超高斯分布。
见图8F，根据本发明的一实施例，提供了一种白噪声以及确定性Stokes形态波形的乘积的一视觉输出，所述视觉输出是以本质模块函数元件所表示。所述本质机率密度函数在所有时间区间中全部为超高斯分布。乘性和加性汇总过程的明显区别至此已清晰：线性加性过程仅为叠加态，并缺乏波和白噪声之间的任何互动。当所述尺度局部地到达时，所述确定性Stokes形态波形的影响可能会出现。所述乘性过程可能总体地影响所有的本质模块函数元件。同时，所述乘性过程可能会产出一总体超高斯分布。
见图9A，提供了二个呈现高斯分布的白噪声信号的加性效果和乘性效果。很难从时间域所呈现的信号形态区分所述加性和乘性过程。
见图9B，提供了所述二个呈现高斯分布的白噪声信号的加性效果和乘性效果的傅立叶光谱。此二光谱皆有一白光谱形式。因此，从傅立叶光谱的形式可知难以辨认加性和乘性效果的差异。
见图10A，根据本发明的一实施例，提供了二个呈现高斯分布的白噪声信号的加性效果的本质机率密度函数的一视觉输出。除了所述第一本质模块函数外，其分布为高斯分布。
见图10B，根据本发明的一实施例，提供了二个呈现高斯分布的白噪声信号的乘性效果的本质机率密度函数的一视觉输出。其分布为明确的超高斯分布。
图8A-8F和图9A-9B之中的校正显示出就算在稳态过程中，本质机率密度函数也能够在所构成元件和数据生成的过程里所涉及的机制上提供更多资讯，无论上述的过程为线性加性或非线性的乘性。
在本发明中，本质多尺度熵(intrinsic multi-scale sample entropy；iMSE)可用来测量信号的复杂度。每一本质多尺度熵在不同尺度中的复杂度在区分各种生理和病理状态时是有用的。所述信号可为一生理信号，例如血压、心电图信号或肌电图信号。
见图11，根据本发明的一实施例，提供了另一已分析数据单位的元件。在图11中，所述已分析数据单位包括一第一座标112、一第二座标113，以及一熵值114。所述熵值114可为一样本熵值或一近似熵值。所述样本熵值是根据本质模块函数的一子集，在一给定的尺度条件下计算而来。在一示例中，所述第一座标112代表了所述尺度条件。所述第二座标113代表了本质模块函数的其中一子集的次序。所述本质模块函数的子集可包括一本质模块函数元件或至少二个不同的本质模块函数元件的集合。在另一示例中，所述第一座标112代表一尺度条件，而所述第二座标代表本质模块函数的累计。
所述视觉输出空间包括一第一轴、一第二轴和多个视觉元件。每一视觉元件可包括由本质模块函数的子集所形成的一特定范围之中的多个已分析数据单位和所述机率密度值。所述视觉输出模块根据所述已分析数据组产出视觉输出空间。一平滑处理过程可在所述视觉输出空间中被用于所述具有稀疏数据单位的视觉元素。例如，所述平滑处理过程可为巴氏滤波器(Butterworth filter)、指数式平滑(exponential smoothing)、卡门滤波器(Kalman filter)、核心式平滑(Kernal smoother)、拉普拉斯平滑(Laplaciansmoothing)、移动平均(moving average)或其他影像平滑方法。
在图12中，一信号的所述样本熵可以被计算为：log(长度样式m)-log(长度样式m+1)。所述尺度条件也可被调整为用于计算在不同尺度条件上的样本熵值。
多尺度熵(MSE)是基于一给定数据的熵而来，X＝{xi，for i＝1...n}，被定义为：
Figure BDA0002533330260000191
其中p(·)为一组任意数字Θ的所述机率密度函数。所述多尺度熵(MSE)被定义为一组已索引化的n个任意变数的联合熵，{Xi}＝{X1，...，Xn}，且一子集合值分别为Θ1，...，Θn：
Figure BDA0002533330260000192
其中p(x1，...，xn)为任意变数的联合机率X1，...Xn。当所述多尺度熵(MSE)被定义为机率密度函数时，其将需要所述数据的一平均和一变异数。所述机率性的测量被限制为仅在多尺度熵的稳态数据应用。
为了使多尺度熵(MSE)用于生理信号，已有各种移除数据中可能趋势的方法。但这些方法是专设的且并没有稳固的理论基础或适合的理由。Yeh et al的多尺度本质熵分析(Yeh，J.R.，Peng，C.K.，＆Huang，N.E.(2016).Scale-dependent intrinsic entropies ofcomplex time series.Phil.Trans.R.Soc.A，374(2065)，20150204.)和Huang et al的经验模态分解法(Huang，N.E.，Shen，Z.，Long，S.R.，Wu，M.C.，Shih，H.H.，Zheng，Q.，...＆Liu，H.H.(1998，March).The empirical mode decomposition and the Hilbertspectrum for nonlinear and non-stationary time series analysis.In Proceedingsof the Royal Society of London A：mathematical，physical and engineeringsciences(Vol.454，No.1971，pp.903-995).The Royal Society.)被引介作为系统性地移除多个尺度的趋势的工具，因经验模态分解法能够授予其所生成的本质模块函数，使所述本质模块函数能拥有此特别性质。
上述概念解释如下：
当任何非稳态和非线性数据透过经验模态分解法在本质模块函数中分解时，具有
Figure BDA0002533330260000201
其中除了最后一个cj(t)之外，每一cj(t)为一本质模块函数，所述最后一个cj(t)若存在的话则可能为一趋势。依其定义，每一本质模块函数应为窄带，相对于0轴对称，且和零相交(zero-crossing)具有相同数量的极大值。进一步地再建构其义，所述本质模块函数元件cj+1实质上是从所述趋势cj衍伸而来。用于此本质模块函数的Kolmogorov-Sinai(KS)型熵被定义为：
Figure BDA0002533330260000211
虽然KS型熵实质上是所述单一本质模块函数元件的近似熵，然而上述定义在代表其对此系统中所有其他本质模块函数中的影响时也是必要的，因为经验模态分析法的扩张并非线性。因此，此定义可能会不完全地包括某些非线性累加效果。如此定义的所述KS型熵已经成功地揭露了所述尺度应变数和每一本质模块函数元件对于总体熵的贡献；然而，上述结果并没有显示出其和总体数据的性质的关系，如同原初多尺度熵(original MSE)作为整体系统的测量商数那样。所述原初多尺度熵实质上强调的是见树而非见林。也因此，不可能基于原初多尺度熵的精神进行比较。此处将由以下步骤定义一新的本质多尺度熵：
1.藉由经验模态分解法生成一组本质模块函数。所述经验模态分解法可为其各种变化版本，例如集体经验模态分解法(EEMD)、CREMD、AEMD以及其他分解法。公式(3)提供了一示例。
2.提供第一组任意变数，使其作为用于k＝1...至n的升幂部分和
Figure BDA0002533330260000212
3.计算对每一Xk的近似熵Ek，所有k自1...至n。
4.提供第二组任意变数，使其作为用于k＝1...至n的降幂部份和
Figure BDA0002533330260000213
5.计算对每一Yn-k的近似熵Fk所有k自1...至n。
6.生成包括依次序排列的Ek和Fk的二维图。此最终结果为新的本质多尺度熵。
7.生成一形貌本质多尺度熵(topographic iMSE)。在数据来自于空间上分布的多个测量点的情境下，一形貌多尺度熵能够被建构以代表复杂度情境下的基本变数中的空间和时间变数。
在此新形式中，在经验模态分解法扩张之下，所述本质多尺度熵和形貌本质多尺度熵将包括所有可能的数据部分和，所述经验模态分解法的扩张将能够系统性地将任何数据去趋势化，无论其为稳态或非稳态，并且在时间和空间上生成全尺度应变多尺度熵(fullscale dependent MSE)。
在某些示例中，需特别了解到的是，根据传统物理科学，当系统代表一白噪声时其熵最高。然而，在多尺度熵分析的精神之下，仅当系统同时具有长和短尺度相关性时才会最复杂。前述的特别性质使得多尺度熵在用于测量活体系统中的复杂度时是有用的。
为了描绘所述本质多尺度熵和所述形貌本质多尺度熵的卓越能力，以下示例中将使用模拟数据和人类生理数据。
在本发明中，本质机率密度函数和本质多尺度熵有助于诊断各种心血管疾病和异常。所述本质机率密度函数和本质多尺度熵的视觉输出能够用来比较多组群体、不同个体或单一个体的二种或多种状态。特定视觉输出形态能够识别一种或多种神经生理或神经心理疾病。所述特定视觉输出形态可包括一疾病状态、一健康状态、一预后佳状态或其他和诊断、预后、临床评估或疾病分期有关之状态。特定形态之间的比较也可用来识别二组罹患不同心血管疾病的群体的不同处、二组罹患同一疾病但有不同疾病分期的群体的不同处、二组罹患同一疾病但有不同预后的群体的不同处、二个罹患同一疾病但有不同疾病分期的个体的不同处、二个罹患同一疾病但有不同预后的个体的不同处或同一个体在不同时间区间时的疾病状态的不同处。所述针对不同特定形态的比对可用来建立一模型，所述模型用于疾病的诊断、预后、临床评估或疾病分期。
一健康状态可被定义为一个体或一组个体没有被确诊特定疾病。一疾病状态可被定义为一个体或一组个体被确诊特定疾病。所述健康状态和所述疾病状态可在不同时间区间内于同一个体中呈现，或在不同个体中呈现。
以下实施例将针对本发明有更具体的叙述，所述实施例之目的在于展示而不在于限制本发明之内容。
在以下示例中，本质多尺度熵可用于心电图以量化心跳变异性(heart ratevariability；HRV)。目前已知心跳变异性在心血管系统中神经与生理机制的尺度间互动中具有丰富资讯。进一步地，本发明也展现了本质多尺度熵能够分辨健康年长者群体和年轻群体之间的细微差异。本发明在具有不同生理和病理状况的受试者的心跳时间序列上，使用的数据和Yeh et al(Yeh，J.R.，Peng，C.K.，＆Huang，N.E.(2016).Scale-dependentintrinsic entropies of complex time series.Phil.Trans.R.Soc.A，374(2065)，20150204.)相同。这些数据可从多个数据库中获取，Goldberger et al(Goldberger，A.L.，Amaral，L.A.，Glass，L.，Hausdorff，J.M.，Ivanov，P.C.，Mark，R.G.，...＆Stanley，H.E.(2000).PhysioBank，PhysioToolkit，and PhysioNet：components of a new researchresource for complex physiologic signals.Circulation，101(23)，e215-e220.)已经汇整了这些数据库。具有不同生理和病理状况，包括健康受试者(正常)、年长受试者和罹患疾病的受试者的共141个心跳时间序列被用于以下试验中。更精确地，72位健康受试者的心跳时间序列是由正常窦性节律RR区间(sinus rhythm RR interval)数据库和MIT-BIH正常窦性节律数据库中获取；44位罹患郁血性心脏衰竭(congestive heart failure；CHF)的受试者的心跳时间序列是由郁血性心脏衰竭RR区间数据库和BIDMC郁血性心脏衰竭数据库中获取；25段罹患心房震颤(atrial fibrillation；AF)的病人的心跳时间序列是由MIT-BIH心房震颤数据库所获取。所述健康受试者以年龄分为两组：44位受试者年龄超过60岁(66.2±3.7岁)者组成了健康年长者组，而其他28位受试者年龄为36.39±9.4岁者组成了健康年轻受试者组。郁血性心脏衰竭病人则基于其疾病的严重程度分为两组，所述疾病的严重程度是基于纽约心脏协会(New York Heart As sociation)的功能分类：CHF I-II组为较不严重的组别，而另一CHF III-IV组是最严重的组别。
见图13A-图13D，根据本发明的一实施例，提供了多个具有不同疾病状态或不同年龄的不同群体的本质多尺度熵的图式。所述多尺度熵平均的本质多尺度熵图式为：每一群体中的所有受试者的多尺度熵平均的熵增加量矩阵被分布在X轴和Y轴，所述X轴为对数粗粒化的本质多尺度熵的尺度，所述Y轴为累计本质模块函数(cumulative IMF)。在图13A-13D中Y轴上的所述累计本质模块函数1-1、1-6、1-12、6-12和12，是使用双向法以代表累计过程(cumulation process)的多样化特征：自高频带的累计过程和/或自低频带的累计过程。类似于碎片高斯噪声的模拟时序的分析结果，由每一特定本质模块函数所导致的本质熵(intrinsic entropies)是由一特定的粗粒化尺度所评估。更进一步地，所述特定粗粒化尺度会仰赖于对应的本质模块函数的本质时间尺度，此代表了对应于本质熵的特定粗粒化尺度可被所对应的本质模块函数的所述本质时间尺度所决定。图13A为自28位年轻健康受试者所获取的心跳时间序列的本质多尺度熵图式。图13B为自44位健康年长受试者所获取的心跳时间序列的本质多尺度熵图式。图13C为自44位罹患郁血性心脏衰竭的受试者所获取的心跳时间序列的本质多尺度熵图式。图13D为自25位罹患心房震颤的受试者所获取的心跳时间序列的本质多尺度熵图式。
上述图式的重点为，因为此处没有麻烦的去趋势和过滤选择动作，图13A-13D中的本质多尺度熵图式在不同组中揭示了清晰的相异之处：当比较图13A的健康年轻受试者的本质多尺度熵图式和图13B的健康年长受试者的本质多尺度熵图式时，当受试者年龄增长，所述心跳变异性的复杂度在较短尺度中会降低但在较长尺度中会增加，此反映了为了要应对环境中的挑战而降低速度的生理现实。在图13C的郁血性心脏衰竭组中，其心跳变异性的复杂度更为恶化。
在图14A-14f中，根据本发明的一实施例，提供了在不同组之间的对比的本质多尺度熵图式。在图14A-14F中的每一本质多尺度熵图式是用于辨别图13A、13B、13C或13D中的任二组组别之间的对比。以心房震颤组来说，很难区分原始数据和白噪声，且图13B和图13D中的本质多尺度熵图式之间的差异很难辨别，因此就难以区分心房震颤组和健康年长者组的本质多尺度熵图式。为了要揭露这些组别间的微小差别，此处使用了本质多尺度熵，以检验图14A-14F中不同组之间的差异，且已将图13A-13D中所有的组别之间的差异全部列出。在图14A-14F之中，所述差异已经被分布在X轴和Y轴，所述X轴为对数粗粒化的本质多尺度熵的尺度，所述Y轴为累计本质模块函数，其中所述累计本质模块函数使用了双向法以代表累计过程的多样化特征，如图13A-13D所示。图14A展示出健康年轻组和健康年长组之间的对比：在细粒化尺度中，年轻组展现出较大的熵矩阵，而如期望的在粗粒化尺度中展现出较小的熵矩阵。图14B展示出健康年轻组和郁血性心脏衰竭组之间的对比，健康年轻组在所有尺度上具有压倒性地较大的复杂度。图14C展示出健康年轻组和心房震颤组之间的对比。首先，在尺度20-30以及累计本质模块函数为1-6至1-12的递减区，心房震颤组在粗粒化尺度中完全缺乏复杂度。
图14D展示出健康年长组和郁血性心脏衰竭组之间的对比。这些形态在质量上类似于健康年轻组和郁血性心脏衰竭组之间的对比：健康年长组較郁血性心脏衰竭组而言具有压倒性地较大的复杂度，其中仅有少数几个尺度例外。前述在图14D中例外的少数几个尺度上的区域已经由较浅的灰色剧烈地转为较深的灰色，这可能代表郁血性心脏衰竭组之中的剧烈改变。图14E展示出健康年长组和心房震颤组之间的对比。再一次地，这些型态和图14C相同，仅心房震颤组中呼吸调节在图14E中较弱。
图14F展示出郁血性心脏衰竭组和心房震颤组之间的对比。图14F中，不同之处分布在每一尺度中。虽然郁血性心脏衰竭组已丧失了复杂度，他们还是较心房震颤组来得复杂。
图13A-13D以及图14A-14F描绘了本质多尺度熵的卓越能力。因此，在视觉化、比较和诊断心血管疾病时，本发明所提供的本质多尺度熵为一强而有力的工具。
上述示出和叙述的实施例仅为示例。通常能够在本领域技术中找到许多其他细节。因此，许多细节并未示出或被叙述。即便在前述段落中已经以本发明的功能和结构说明本发明的诸多特征和优点，此说明书仅为范例，且有可能在符合本发明原理和完全考虑到所述术语的最广解释范围的前提之下在细节上进行修改，例如形状、尺寸以及部件的配置。本领域的普通技术人员应当理解的是，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和实质。

Claims (18)

1.一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一种或多种分析模块执行时提供呈现心血管系统的生理信号的一种视觉输出，包括：
代表本质模块函数(IMF)的子集的第一轴；
代表在一段时间区间中信号强度的函数的第二轴；以及
多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在所述时间区间中所搜集的多个已分析数据单位，
其中每一所述已分析数据单位包括第一坐标、第二坐标、以及机率密度值，所述机率密度值是由本质模块函数的其中之一子集的本质机率密度函数所生成，所述第一坐标是本质模块函数的其中一子集，所述第二坐标为信号强度的函数的变数。
2.如权利要求1所述的非暂态计算机程序产品，其中所述第二轴为所述信号强度在所述时间区间中的标准差或Z值(z-value)。
3.如权利要求1所述的非暂态计算机程序产品，其中所述机率密度值是由次级本质模块函数(secondary IMF)或初级本质模块函数(primary IMF)的子集生成，每一初级本质模块函数是由经验模态分解法(EMD)从多个生理信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
4.如权利要求1所述的非暂态计算机程序产品，其中所述生理信号为心电图信号、肌电图信号或血压信号。
5.如权利要求1所述的非暂态计算机程序产品，其中所述机率密度值是由不同颜色、灰阶、点分布图、多条曲线或多种网点所表示。
6.一种分析心血管系统的生理信号的系统，包括：
侦测模块，用于侦测所述心血管系统的生理信号；
传输模块，用于接收由所述侦测模块得到的生理信号并将所述生理信号传输至分析模块；
所述分析模块，用于自所述生理信号生成多个已分析数据组，每一已分析数据组包括多个已分析数据单位；以及
视觉输出模块，用于根据由所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出，
其中所述视觉输出包括：代表本质模块函数(IMF)组的子集的第一轴，代表在一段时间区间中信号强度的函数的第二轴，以及多个视觉元素，所述视觉元素包括第一座标、第二座标，和机率密度值，所述机率密度值是由本质模块函数的其中之一子集的本质机率密度函数所生成，所述第一坐标是本质模块函数的其中一子集，所述第二坐标为信号强度的函数的变数。
7.如权利要求6所述的系统，其中所述第二轴为所述信号强度在所述时间区间中的标准差或Z值(z-value)。
8.如权利要求6所述的系统，其中所述机率密度值是由次级本质模块函数(secondaryIMF)或初级本质模块函数(primary IMF)的子集生成，每一初级本质模块函数是由经验模态分解法(EMD)从多个生理信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
9.如权利要求6所述的系统，其中所述生理信号为心电图信号、肌电图信号或血压信号。
10.如权利要求6所述的系统，其中所述机率密度值是由不同颜色、灰阶、点分布图、多条曲线或多种网点所表示。
11.一种能够在计算机可读存储介质中实施的非暂态计算机程序产品，当所述非暂态计算机程序产品被一个或多个分析模块执行时提供呈现生理信号的一种视觉输出，包括
代表多尺度熵(iMSE)的尺度的第一轴；
代表本质模块函数(IMF)的累计的第二轴；以及
多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在一段时间区间中所搜集的已分析数据单位，
其中每一所述已分析数据单位包括第一轴的第一座标、第二轴的第二座标，以及由所述本质模块函数所生成的多尺度熵值。
12.如权利要求11所述的非暂态计算机程序产品，其中所述本质模块函数为一组初级本质模块函数(primary IMF)或一组次级本质模块函数(secondaryIMF)，每一初级本质模块函数是由经验模态分解法(EMD)从多个生理信号中产出，且每一次级本质模块函数是由经验模态分解法从所述初级本质模块函数中产出。
13.如权利要求11所述的非暂态计算机程序产品，其中所述生理信号为心电图信号、肌电图信号或血压信号。
14.如权利要求11所述的非暂态计算机程序产品，其中所述多尺度熵值是由不同颜色、灰阶、点分布图、多条曲线或多种网点所表示。
15.一种分析心血管系统的生理信号的系统，包括：
侦测模块，用于侦测所述心血管系统的生理信号；
传输模块，用于接收由所述侦测模块得到的生理信号并将所述生理信号传输至分析模块；
所述分析模块，用于自所述生理信号生成多个已分析数据组，每一已分析数据组包括多个已分析数据单位；以及
视觉输出模块，用于根据由所述分析模块所生成的所述已分析数据组生成视觉输出空间，且显示视觉输出，
其中所述视觉输出包括代表多尺度熵(iMSE)的尺度的第一轴、代表本质模块函数(IMF)的累计的第二轴，以及多个视觉元素，每一所述视觉元素是由所述第一轴和所述第二轴所定义，且每一所述视觉元素包括在一段时间区间中所搜集的已分析数据单位，每一已分析数据单位包括第一轴的第一座标、第二轴的第二座标，以及由所述本质模块函数所生成的多尺度熵值。
16.如权利要求15所述的系统，其中所述本质模块函数为一组初级本质模块函数(primary IMF)或一组次级本质模块函数(secondary IMF)，每一初级本质模块函数是由经验模态分解法从多个生理信号中产出，且每一次级本质模块函数是由经验模态分解法(EMD)从所述初级本质模块函数中产出。
17.如权利要求15所述的系统，其中所述生理信号为心电图信号、肌电图信号或血压信号。
18.如权利要求15所述的系统，其中所述多尺度熵值是由不同颜色、灰阶、点分布图、多条曲线或多种网点所表示。
CN201880079876.6A 2017-12-11 2018-12-10 生理信号分析装置与方法 Pending CN111447872A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762596912P 2017-12-11 2017-12-11
US62/596912 2017-12-11
PCT/US2018/064644 WO2019118309A1 (en) 2017-12-11 2018-12-10 Method, module and system for analysis of physiological signal

Publications (1)

Publication Number Publication Date
CN111447872A true CN111447872A (zh) 2020-07-24

Family

ID=66734328

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201880079871.3A Pending CN111629655A (zh) 2017-12-11 2018-12-10 生理信号分析装置与方法
CN201880079876.6A Pending CN111447872A (zh) 2017-12-11 2018-12-10 生理信号分析装置与方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201880079871.3A Pending CN111629655A (zh) 2017-12-11 2018-12-10 生理信号分析装置与方法

Country Status (4)

Country Link
US (2) US11219401B2 (zh)
EP (2) EP3723596A4 (zh)
CN (2) CN111629655A (zh)
WO (2) WO2019118309A1 (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016205414A1 (en) 2015-06-15 2016-12-22 Vital Labs, Inc. Method and system for cardiovascular disease assessment and management
US10420515B2 (en) 2015-06-15 2019-09-24 Vital Labs, Inc. Method and system for acquiring data for assessment of cardiovascular disease
CN113573638A (zh) * 2019-03-11 2021-10-29 崔万林 使用希尔伯特变换的心电图信号幅度的测量装置、方法和计算机可读记录介质
US11388078B1 (en) * 2019-06-10 2022-07-12 Keysight Technologies, Inc. Methods, systems, and computer readable media for generating and using statistically varying network traffic mixes to test network devices
CN110399846A (zh) * 2019-07-03 2019-11-01 北京航空航天大学 一种基于多通道肌电信号相关性的手势识别方法
CN110367980A (zh) * 2019-07-10 2019-10-25 南京邮电大学 基于多元经验模态分解的脑电信号情绪识别方法
US20220378380A1 (en) * 2019-10-01 2022-12-01 Riva Health, Inc. Method and system for determining cardiovascular parameters
CN111107478B (zh) 2019-12-11 2021-04-09 江苏爱谛科技研究院有限公司 一种声音增强方法及声音增强系统
EP4128270A4 (en) * 2020-03-26 2024-04-03 Diamentis Inc. SYSTEMS AND METHODS FOR PROCESSING RETINAL SIGNAL DATA AND IDENTIFYING CONDITIONS
CN111772631B (zh) * 2020-07-06 2021-12-14 天津大学 基于集成经验模态分解的早期乳腺癌特征提取方法
CN112183263B (zh) * 2020-09-17 2022-11-04 昆明理工大学 一种基于改进的iceemd和hd的单向阀早期故障信号降噪方法
CN112183259B (zh) * 2020-09-17 2022-11-04 昆明理工大学 一种基于ceemd与峭度加权平均阈值去噪的滚动轴承故障诊断方法
CN112749506B (zh) * 2020-12-21 2022-08-26 哈尔滨理工大学 基于ceemd和gwo-svr的振动信号预测方法
US11744523B2 (en) 2021-03-05 2023-09-05 Riva Health, Inc. System and method for validating cardiovascular parameter monitors
CN113361205A (zh) * 2021-06-23 2021-09-07 合肥工业大学 基于遗传算法和ceemd的轴承振动信号故障诊断优化设计方法
CN113516318A (zh) * 2021-08-06 2021-10-19 北京东润环能科技股份有限公司 一种深度学习的短期功率预测方法
WO2023038992A1 (en) 2021-09-07 2023-03-16 Riva Health, Inc. System and method for determining data quality for cardiovascular parameter determination
CN114403901A (zh) * 2022-02-16 2022-04-29 北京脑陆科技有限公司 对脑电信号的处理装置、方法及介质
US11996883B2 (en) 2022-08-09 2024-05-28 Ka Luen FUNG Method and device for recovering sub-signals from composite signal of blind source
CN117370737B (zh) * 2023-12-08 2024-02-06 成都信息工程大学 一种基于自适应高斯滤波器的非稳态非高斯噪声去除方法
CN117617921B (zh) * 2024-01-23 2024-03-26 吉林大学 基于物联网的智能血压监控系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100152600A1 (en) * 2008-04-03 2010-06-17 Kai Sensors, Inc. Non-contact physiologic motion sensors and methods for use
US20150193376A1 (en) * 2014-01-06 2015-07-09 National Central University Method of multi-scales intrinsic entropy analysis
CN105354877A (zh) * 2015-11-09 2016-02-24 北京航空航天大学 一种基于空间填充曲线的经验模态分解和希尔伯特谱计算的三维网格处理方法
CN106709414A (zh) * 2015-11-18 2017-05-24 财团法人交大思源基金会 生理信号量测系统及其方法
US20170200089A1 (en) * 2016-01-11 2017-07-13 National Central University Method and system for data analyzing by intrinsic probability distribution function

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101496716A (zh) * 2009-02-26 2009-08-05 周洪建 利用ecg信号检测睡眠呼吸暂停的测量方法
US10304568B2 (en) 2013-10-14 2019-05-28 KAOSKEY Pty Ltd. Decomposition of non-stationary signals into functional components
TW201711634A (zh) * 2015-09-17 2017-04-01 國立中央大學 腦功能成像辨識的方法及系統
US10362955B2 (en) * 2016-02-10 2019-07-30 Regents Of The University Of Minnesota Graphically mapping rotors in a heart
WO2018102402A1 (en) * 2016-11-29 2018-06-07 The General Hospital Corporation Systems and methods for analyzing electrophysiological data from patients undergoing medical treatments
CN107296586A (zh) * 2017-06-20 2017-10-27 黄涌 视觉误差检测设备/方法及基于该设备的书写系统/方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100152600A1 (en) * 2008-04-03 2010-06-17 Kai Sensors, Inc. Non-contact physiologic motion sensors and methods for use
US20150193376A1 (en) * 2014-01-06 2015-07-09 National Central University Method of multi-scales intrinsic entropy analysis
CN105354877A (zh) * 2015-11-09 2016-02-24 北京航空航天大学 一种基于空间填充曲线的经验模态分解和希尔伯特谱计算的三维网格处理方法
CN106709414A (zh) * 2015-11-18 2017-05-24 财团法人交大思源基金会 生理信号量测系统及其方法
US20170200089A1 (en) * 2016-01-11 2017-07-13 National Central University Method and system for data analyzing by intrinsic probability distribution function

Also Published As

Publication number Publication date
US11219401B2 (en) 2022-01-11
US20190175041A1 (en) 2019-06-13
EP3723596A1 (en) 2020-10-21
EP3723592A1 (en) 2020-10-21
WO2019118309A1 (en) 2019-06-20
US20190175120A1 (en) 2019-06-13
WO2019118307A1 (en) 2019-06-20
CN111629655A (zh) 2020-09-04
EP3723592A4 (en) 2021-04-21
EP3723596A4 (en) 2021-02-24

Similar Documents

Publication Publication Date Title
CN111447872A (zh) 生理信号分析装置与方法
TWI674881B (zh) 心血管檢測裝置與方法
Athavale et al. Biosignal monitoring using wearables: Observations and opportunities
Merdjanovska et al. Comprehensive survey of computational ECG analysis: Databases, methods and applications
US11918333B2 (en) Method and system to assess disease using phase space tomography and machine learning
Shair et al. EMG processing based measures of fatigue assessment during manual lifting
US20220093216A1 (en) Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions
Cifrek et al. Surface EMG based muscle fatigue evaluation in biomechanics
Sarkar et al. Cardiogan: Attentive generative adversarial network with dual discriminators for synthesis of ecg from ppg
Butkevičiūtė et al. Removal of movement artefact for mobile EEG analysis in sports exercises
Atoui et al. A novel neural-network model for deriving standard 12-lead ECGs from serial three-lead ECGs: application to self-care
US20160360977A1 (en) Method and apparatus for heart rate monitoring using an electrocardiogram sensor
Das et al. Fractional dynamical model for the generation of ECG like signals from filtered coupled Van-der Pol oscillators
Pinheiro et al. Empirical mode decomposition and principal component analysis implementation in processing non-invasive cardiovascular signals
US20220139555A1 (en) Method and system to assess disease using phase space volumetric objects
Shi et al. Early detection of sudden cardiac death by using ensemble empirical mode decomposition-based entropy and classical linear features from heart rate variability signals
CN104363824A (zh) 心电图中实时qrs持续时间的测量
Ahmed et al. Multivariate multiscale entropy for brain consciousness analysis
Muñoz et al. PhysioLab-a multivariate physiological computing toolbox for ECG, EMG and EDA signals: a case of study of cardiorespiratory fitness assessment in the elderly population
JP2020530933A (ja) 機械学習法において使用するゲノムの発見
CN116782829A (zh) 用于将生物电信号数据转换为数值向量的方法和装置及利用其分析疾病的方法和装置
Cimr et al. Automatic detection of breathing disorder from ballistocardiography signals
Liu et al. Development of a patch-type electrocardiographic monitor for real time heartbeat detection and heart rate variability analysis
Galli et al. Denoising ECG signal by CSTFM algorithm: Monitoring during motorbike and car races
Abdou et al. Horizons in single-lead ECG analysis from devices to data

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200724