CN111528826A - 一种获取脑阻抗血流图数据的方法 - Google Patents
一种获取脑阻抗血流图数据的方法 Download PDFInfo
- Publication number
- CN111528826A CN111528826A CN202010446301.2A CN202010446301A CN111528826A CN 111528826 A CN111528826 A CN 111528826A CN 202010446301 A CN202010446301 A CN 202010446301A CN 111528826 A CN111528826 A CN 111528826A
- Authority
- CN
- China
- Prior art keywords
- impedance
- brain
- blood flow
- data
- flow graph
- 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
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
- A61B5/02—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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
-
- 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
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- 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
- A61B5/026—Measuring blood flow
-
- 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
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- Cardiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Hematology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种获取脑阻抗血流图数据的方法,包括以下步骤:S1、获取用户脑部电阻抗数据;S2、将脑部电阻抗数据表达为二维波形曲线;S3、划分心跳特征周期;S4、去除基础阻抗值;S5、滤波处理;S6、识别有效脑阻抗血流图数据;S7、血流图参数提取;S8、脑血管健康指标生成,发送到移动通讯端,使用该方法可以快速处理相关脑阻抗血流图数据,且通过移动通讯端使用户尽快获知结果。
Description
技术领域
本发明涉及医疗领域,更具体地说,涉及一种获取脑阻抗血流图数据的方法。
背景技术
人体各组织结构导电性不同,包括各种体液导电性都不同,血液的导电性最好;心脏的每一次搏动会使脑部血管容积发生变化,进而导致脑部电阻抗发生规律性的变化,对这种变化绘制出与时间相关的函数曲线波形图,即脑阻抗血流图;这个波形与心脏活动(流入量)、血管弹性密切相关,且受外周阻力(中、小动脉及微动脉口径)和血液黏度(流体性质)的影响,可以反映血管紧张度与弹性的变化;不同的人因脑血管健康状态程度不同,波形及波形指标也不同,因此需要一种方便快捷的方法,通过与正常的波形比对,来判断用户的脑血管健康状态。
发明内容
本发明旨在提供一种获取脑阻抗血流图数据的方法,旨在解决现有技术中难以快速获取脑阻抗血流图数据的问题。
为实现此目的,本发明提供了一种获取脑阻抗血流图数据的方法,包括以下步骤:
S1、获取用户脑部电阻抗数据;
S2、将脑部电阻抗数据表达为二维波形曲线;
S3、划分心跳特征周期;
S4、去除基础阻抗值;
S5、滤波处理;
S6、识别有效脑阻抗血流图数据;
S7、血流图参数提取;
S8、脑血管健康指标生成,发送到移动通讯端。
优选的是,所述步骤S6,包括以下步骤:
S61、脑阻抗血流图数据幅值归一化;
S62、周期归一化;
S63、通过神经网络算法以识别有效脑阻抗血流图数据。
优选的是,所述脑血管健康指标,包括脑血管健康指数和脑血管意外风险指数,脑血管健康指数由脑血管硬化系数和脑血流调节能力系数构成,脑血管意外风险指数由左右脑基础阻抗变化系数、左右脑基础阻抗对称系数和左右脑血流图波幅对称系数构成。
优选的是,所述脑血管健康指标由图形的形式表达。
优选的是,所述移动通讯端为手机APP。
相比于现有技术,本发明的优点在于:
使用该方法可以快速处理相关脑阻抗血流图数据,且通过移动通讯端使用户实时获知结果。
附图说明
图1为本发明的一种获取脑阻抗血流图数据的方法的流程图;
图2为图1中S6的流程图;
图3为脑部电阻抗数据波形图;
图4为未滤波的脑阻抗血流图;
图5为滤波后的脑阻抗血流图;
图6为识别有效脑阻抗血流图的流程图;
图7为经典脑阻抗血流图波形图。
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。
请参阅图1和图2,一种获取脑阻抗血流图数据的方法,包括以下步骤:
S1、获取用户脑部电阻抗数据;
S2、将脑部电阻抗数据表达为二维波形曲线;
S3、划分心跳特征周期;
S4、去除基础阻抗值;
S5、滤波处理;
S6、识别有效脑阻抗血流图数据;
S7、血流图参数提取;
S8、脑血管健康指标生成,发送到移动通讯端。
优选的,所述步骤S6,包括以下步骤:
S61、脑阻抗血流图数据幅值归一化;
S62、周期归一化;
S63、通过神经网络算法以识别有效脑阻抗血流图数。
其中,脑血管健康指标,包括脑血管健康指数和脑血管意外风险指数,脑血管健康指数由脑血管硬化系数和脑血流调节能力系数构成,脑血管意外风险指数由左右脑基础阻抗变化系数、左右脑基础阻抗对称系数和左右脑血流图波幅对称系数构成。
而且,脑血管健康指标由图形的形式表达,便于用户查看;移动通讯端为手机APP,即客户可以通过手机方便快捷的查看结果。
作为本发明的最佳实施例,详细步骤如下:
获取脑部电阻抗数据。将脑阻抗血流图数据表达为二维波形曲线。脑部电阻抗数据,描述为脑部电阻抗变化,其经过“去除阻抗基线”、“滤波”等操作转化为脑阻抗血流图数据,描述为脑血流容积变化。
划分心跳特征周期。脑部电阻抗数据为连续波形数据,如图3所示,以50Hz采样频率为例,连续采集10s得到500点脑阻抗数据,如图3中曲线L。以心率60~75/min测算,其中包含心跳周期在10个周期左右。因此需要先取得心跳特征点P以划分出每个心跳周期,通过“4阶巴特沃斯滤波(滤波参数以将曲线滤成近弦曲线l为准)”、“取极大值得到p”、“相位修正(在L上以p为基准在正负10点范围内找最大值点,即P)”等三步得到P。以P点为心跳周期特征点划分出每个心跳周期。
如图4所示,去除基础阻抗。脑部电阻抗数据中包含有脑部阻抗、脑部电极接触阻抗、颅骨阻抗等基础阻抗值,因此需要去除基础阻抗值,才能得到脑阻抗血流图数据。将曲线L沿X轴翻转使得阻抗变化表现为血容积变化,以P点为基准点进行三次样条插值得到基础阻抗曲线B,由B-L=t得到未滤波的脑阻抗血流图曲线t。
如图5所示,滤波。由于原始阻抗曲线含有过多噪声,为了更为直观反映脑部血流容积变化,需要对脑阻抗血流图t进行滤波处理,此处选择3阶巴特沃斯低通滤波进行处理得到最终脑阻抗血流图数据曲线T。
滤波参数:采样频率fs=50Hz;通带边界频率wc=8*2/fs(rad/s)。
识别有效脑阻抗血流图数据。由于干扰信号的存在,会影响脑阻抗血流图数据的质量,必须通过数据处理,识别确认有效脑阻抗血流图数据。
脑阻抗血流图数据幅值归一化、周期归一化。为了匹配神经网络输入数据接口标准,需要对脑阻抗血流图数据进行归一化处理。从上述得到的波形T(如图5)中取得单个心跳周期波形数据X(值域不定,点数30至50),幅值归一化处理后得到值域为(0到1)的波形数据M,周期归一化处理后得到100点波形数据N。
幅值归一化:取X中最大值Xmax和最小值Xmin,得到值域R=Xmax-Xmin;波形中第i点Xi幅值归一化Mi=(Xi-Xmin)/R;周期归一化:取M包含点个数k,则在M中第1点相位为0,第i点相位为i-1,末尾点相位为k-1;计算第i点映射到N中相位j,j=(i-1)/(k-1)*100(j为实数);以得到的Nj为基准点进行三次样条插值得到其余位于整数相位点N(i-1);(i∈(1,2,3,...100)),取N1到N100即归一化后波形数据N。
如图6所示,通过神经网络算法识别有效脑阻抗血流图数据。为了对脑阻抗血流图进行分类识别,包括波形质量判断、波形类别判断和重搏波明显性判断,以BP经典神经网络模型为基础,构建脑阻抗血流图识别神经网络。
搭建神经网络训练模型:
输入层:输入归一化后脑阻抗血流图数据N;隐含层:2层512个神经元网络、激活函数为relu函数;输出层:输出各个类别标签,激活函数为softmax函数;损失函数:交叉熵函数;反向传播方式:梯度下降法。
加载样本数据进行训练:将归一化后的数据导入神经网络训练。导出训练好的神经网络模型:导出适配生产环境的神经网络模型。模型部署:将模型部署到应用环境中进行脑阻抗血流图识别应用。
血流图参数提取。经典脑阻抗血流图波形(如图7)包括上升段C-S,下降段S-C’。由神经网络识别出符合经典特征的脑阻抗血流图波形后,对应到归一化之前的波形数据T进行参数提取。
其中参数分为幅度指标Y、时间指标X以及复合指标。
幅度指标:
(1)S点幅值Fs=Tmax(即该心跳周期内T波形的最大值)
(2)D点幅值Fd=Thp(除Tmax外的极大值点的值)
时间指标:
(1)上升段时间Tcs=Ts-Tc(Ts为T波形上S点相位即Tmax所在相位、Tc为T波形上c点相位,即每个心跳周期内的0相位);
(2)下降时间Tsc’=Tc’-Ts(Tc’为T波形上每个心跳周期的末尾的相位);
复合指标:
(1)上升角α:直线CS与CC’所成角α=arctan(Fs/Tcs)
(2)流入容积速度V:V=Fs/Tcs
综合脑血管健康指标生成。
脑血管健康指数(血管年龄)由脑血管硬化系数和脑血流调节能力系数构成。
脑血管硬化系数:分析脑血流图的波形(波形形状)、重博波明显性(波形形状)、波幅(波幅指标)、上升时间(时间指标)、上升角(角度指标)、转折高比值(关系指标),每项分值10分,总分60分。
脑血流调节能力系数:分析阻抗恢复时间,通过测试获得不同年龄段的正常时间标准,将异常值与之比对,差异低于25%为一级、25-50%二级、50-75%三级、75-100%四级,分四级,每一级分值为10分,总分40分。
脑血管意外风险指数(中风风险系数)由左右脑基础阻抗变化系数、左右脑基础阻抗对称系数、左右脑血流图波幅对称系数构成。左右脑基础阻抗变化系数:单位时间内变化值25%为一级、25-50%二级、50-75%三级、75-100%四级,大于100%五级,每级分值6分,总分30分。左右脑基础阻抗对称系数:以本人一周内的平均值为标准值,单位时间内变化值25%为一级、25-50%二级、50-75%三级、75-100%四级,大于100%五级,每级分值7分,总分35分。左右脑血流图波幅对称系数:以本人一周内的平均值为标准值,单位时间内变化值25%为一级、25-50%二级、50-75%三级、75-100%四级,大于100%五级,每级分值7分,总分35分,分值越高健康状况越差。
而且,脑血管健康指标由图形的形式表达,便于用户查看;移动通讯端为手机APP,即客户可以通过手机方便快捷的查看结果。
以上所述,仅为本发明较佳的具体实施方式;但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其改进构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
Claims (5)
1.一种获取脑阻抗血流图数据的方法,其特征在于,包括以下步骤:
S1、获取用户脑部电阻抗数据;
S2、将脑部电阻抗数据表达为二维波形曲线;
S3、划分心跳特征周期;
S4、去除基础阻抗值;
S5、滤波处理;
S6、识别有效脑阻抗血流图数据;
S7、血流图参数提取;
S8、脑血管健康指标生成,发送到移动通讯端。
2.根据权利要求1所述的获取脑阻抗血流图数据的方法,其特征在于,所述步骤S6,包括以下步骤:
S61、脑阻抗血流图数据幅值归一化;
S62、周期归一化;
S63、通过神经网络算法以识别有效脑阻抗血流图数据。
3.根据权利要求1所述的获取脑阻抗血流图数据的方法,其特征在于,所述脑血管健康指标,包括脑血管健康指数和脑血管意外风险指数,脑血管健康指数由脑血管硬化系数和脑血流调节能力系数构成,脑血管意外风险指数由左右脑基础阻抗变化系数、左右脑基础阻抗对称系数和左右脑血流图波幅对称系数构成。
4.根据权利要求1所述的获取脑阻抗血流图数据的方法,其特征在于,所述脑血管健康指标由图形的形式表达。
5.根据权利要求1所述的获取脑阻抗血流图数据的方法,其特征在于,所述移动通讯端为手机APP。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010446301.2A CN111528826A (zh) | 2020-05-25 | 2020-05-25 | 一种获取脑阻抗血流图数据的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010446301.2A CN111528826A (zh) | 2020-05-25 | 2020-05-25 | 一种获取脑阻抗血流图数据的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111528826A true CN111528826A (zh) | 2020-08-14 |
Family
ID=71968954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010446301.2A Pending CN111528826A (zh) | 2020-05-25 | 2020-05-25 | 一种获取脑阻抗血流图数据的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111528826A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112754452A (zh) * | 2020-12-31 | 2021-05-07 | 大连东软教育科技集团有限公司 | 一种生成脑阻抗数据的方法、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003059164A2 (en) * | 2002-01-15 | 2003-07-24 | Orsan Medical Equipment Ltd. | Device for monitoring blood flow to brain |
CN1559345A (zh) * | 2004-02-20 | 2005-01-05 | 无锡贝尔森影像技术有限公司 | 脑血管血液动力学检测方法和仪器 |
CN101668481A (zh) * | 2006-12-14 | 2010-03-10 | 奥森医疗科技有限公司 | 非侵害式颅内监测仪 |
CN102238905A (zh) * | 2008-10-07 | 2011-11-09 | 奥森医疗科技有限公司 | 脑血液动力学参数的测量 |
CN102283640A (zh) * | 2011-07-22 | 2011-12-21 | 天津万安康泰医疗科技有限公司 | 数字脑阻抗血流图仪 |
CN105324074A (zh) * | 2013-04-12 | 2016-02-10 | 奥森医疗科技有限公司 | 利用生物阻抗测量脑生理参数 |
WO2018235466A1 (ja) * | 2017-06-23 | 2018-12-27 | パナソニックIpマネジメント株式会社 | 情報処理方法、情報処理装置、および情報処理システム |
CN109192307A (zh) * | 2018-10-24 | 2019-01-11 | 上海裁云医疗科技有限公司 | 基于云平台的脑血管动力学检测分析系统及检测分析方法 |
-
2020
- 2020-05-25 CN CN202010446301.2A patent/CN111528826A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003059164A2 (en) * | 2002-01-15 | 2003-07-24 | Orsan Medical Equipment Ltd. | Device for monitoring blood flow to brain |
CN1559345A (zh) * | 2004-02-20 | 2005-01-05 | 无锡贝尔森影像技术有限公司 | 脑血管血液动力学检测方法和仪器 |
CN101668481A (zh) * | 2006-12-14 | 2010-03-10 | 奥森医疗科技有限公司 | 非侵害式颅内监测仪 |
CN102238905A (zh) * | 2008-10-07 | 2011-11-09 | 奥森医疗科技有限公司 | 脑血液动力学参数的测量 |
CN102283640A (zh) * | 2011-07-22 | 2011-12-21 | 天津万安康泰医疗科技有限公司 | 数字脑阻抗血流图仪 |
CN105324074A (zh) * | 2013-04-12 | 2016-02-10 | 奥森医疗科技有限公司 | 利用生物阻抗测量脑生理参数 |
WO2018235466A1 (ja) * | 2017-06-23 | 2018-12-27 | パナソニックIpマネジメント株式会社 | 情報処理方法、情報処理装置、および情報処理システム |
CN109192307A (zh) * | 2018-10-24 | 2019-01-11 | 上海裁云医疗科技有限公司 | 基于云平台的脑血管动力学检测分析系统及检测分析方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112754452A (zh) * | 2020-12-31 | 2021-05-07 | 大连东软教育科技集团有限公司 | 一种生成脑阻抗数据的方法、装置及存储介质 |
CN112754452B (zh) * | 2020-12-31 | 2023-11-28 | 东软教育科技集团有限公司 | 一种生成脑阻抗数据的方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110558973B (zh) | 一种执行基于极值能量分解法的心电图信号量化分析方法的计算机设备 | |
CN111493850A (zh) | 一种基于深度神经网络的血压测量方法及装置 | |
KR101025510B1 (ko) | 감성인식장치의 개인별 최적화시스템 및 그 최적화 방법 | |
JP2002112969A (ja) | 身体及び感情状態の認識装置及び方法 | |
Bansal et al. | A review of measurement and analysis of heart rate variability | |
RU2016146176A (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
Juniati et al. | Fractal dimension to classify the heart sound recordings with KNN and fuzzy c-mean clustering methods | |
CN112089405B (zh) | 一种脉搏波特征参数测量及显示装置 | |
Kelwade et al. | Prediction of cardiac arrhythmia using artificial neural network | |
CN111528826A (zh) | 一种获取脑阻抗血流图数据的方法 | |
Sohal et al. | Comparative analysis of heart rate variability parameters for arrhythmia and atrial fibrillation using ANOVA | |
CN113349778A (zh) | 基于经颅直流电刺激的情绪分析方法、装置和电子装置 | |
He et al. | Reducing false arrhythmia alarms in the ICU using novel signal quality indices assessment method | |
CN105816165A (zh) | 一种实时动态心率监测装置及监测方法 | |
CN113476074A (zh) | 基于智能穿戴系统的肺音实时监测方法 | |
CN110558974B (zh) | 一种基于极值能量分解法的心电图信号分析方法 | |
CN113033358A (zh) | 一种基于深度神经网络的无袖带血压建模方法 | |
CN111248900A (zh) | 一种基于单通道心脑信息耦合分析方法及系统 | |
CN115836847A (zh) | 一种血压预测装置及设备 | |
Kang et al. | Multi bio-signal based algorithm using EMD and FFT for stress analysis | |
Jelinek et al. | Effect of biosignal preprocessing and recording length on clinical decision making for cardiac autonomic neuropathy | |
CN111588368A (zh) | 一种信号处理滤波方法 | |
Thi et al. | Identification of some brain waves signal and applications | |
Phinyomark et al. | Effect of trends on detrended fluctuation analysis for surface electromyography (EMG) signal | |
CN112990029B (zh) | 一种评估静脉血管状态的装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |