CN111643092A - 一种癫痫报警装置及癫痫检测方法 - Google Patents

一种癫痫报警装置及癫痫检测方法 Download PDF

Info

Publication number
CN111643092A
CN111643092A CN202010490461.7A CN202010490461A CN111643092A CN 111643092 A CN111643092 A CN 111643092A CN 202010490461 A CN202010490461 A CN 202010490461A CN 111643092 A CN111643092 A CN 111643092A
Authority
CN
China
Prior art keywords
data
acceleration
axis
epilepsy
activity
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
CN202010490461.7A
Other languages
English (en)
Inventor
陈蕾
王云峰
商春恒
董春娇
廖曦文
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.)
Institute of Microelectronics of CAS
West China Hospital of Sichuan University
Original Assignee
Institute of Microelectronics of CAS
West China Hospital of Sichuan 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 Institute of Microelectronics of CAS, West China Hospital of Sichuan University filed Critical Institute of Microelectronics of CAS
Priority to CN202010490461.7A priority Critical patent/CN111643092A/zh
Publication of CN111643092A publication Critical patent/CN111643092A/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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • 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
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • 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
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Abstract

本发明公开一种癫痫报警装置及癫痫检测方法，包括手环，手环中安装有三轴加速度传感器、三轴陀螺仪传感器，包括处理器，处理器包括微处理芯片、存储器、无线通信模块，微处理器通过无线通信模块与三轴加速度传感器、三轴陀螺仪传感器无线连接，存储器中固化有癫痫分析软件。本发明利用手腕处的三轴加速度传感器和三轴陀螺仪传感器感器采集使用者的手部运动数据，使用无监督的概率密度估计函数，或利用机器学习算法，对异常动作如癫痫发作、跌倒等进行报警。

Description

一种癫痫报警装置及癫痫检测方法
技术领域
本发明涉及医疗设备领域，尤其涉及一种癫痫报警装置及癫痫检测方法。
背景技术
癫痫是一种严重威胁人类生命安全的神经疾病，患者发病时肢体运动不受控制，受到环境损伤的风险骤然提高，严重时甚至会导致猝死。
由于癫痫发病历时较短，监护尤其夜间监护困难。监护癫痫患者的人力成本过高，并且在临床诊断工作中，医师很难目睹就诊的每位患者发作时的状况，只能依据患者或其家属口述了解病情，对病情的判断可能产生偏差。癫痫的诊断研究工作已经有几十年的历程，但效果并不显著，其关键就是大多数癫痫患者确诊时已经错过了早期或潜伏期。潜伏期越长引起的并发症越多，治疗就会变得越发困难。
发明内容
本发明旨在提供一种癫痫报警装置及癫痫检测方法，能够及时发现癫痫发作，并对癫痫发作作出预警、报警，为及时救治提供帮助。
为达到上述目的，本发明是采用以下技术方案实现的：
本发明公开一种癫痫报警装置，包括手环，手环为具有调节大小的功能，
手环中安装有三轴加速度传感器、三轴陀螺仪传感器，
还包括处理器，处理器包括微处理芯片、存储器、无线通信模块，微处理器通过无线通信模块与三轴加速度传感器、三轴陀螺仪传感器无线连接，存储器中固化有癫痫分析软件。
优选的，处理器还包括指示灯、语音模块、触摸屏，指示灯、语音模块、触摸屏均连接微处理芯片。
优选的，无线通信模块包括蓝牙模块。
本发明还公开了上述报警装置的癫痫检测方法，包括以下步骤：
S100、读取三轴加速度传感器的x、y、z轴的加速度值ax(n)、ay(n)、az(n)，读取三轴陀螺仪传感器的x、y、z轴的角速度值gx(n)、gy(n)、gz(n)，使用姿态融合算法计算得到四元数q0(n)、q1(n)、q2(n)、q3(n)；
S200、计算得到x、y、z轴的重力分量vx(n)、vy(n)、vz(n)，计算得到真实的合加速度，计算公式如下：
rx(n)＝ax(n)-vx(n)*9.8 (1)
ry(n)＝ay(n)-vy(n)*9.8 (2)
rz(n)＝az(n)-vz(n)*9.8 (3)
Figure BDA0002520882910000021
其中rx(n)为x轴方向的真实加速度，ry(n)为y轴方向的真实加速度，rz(n)为z轴方向的真实加速度，r(n)为真实的合加速度；
S300、分割运动片段，使用长度为L的滑动窗，以L/2为步长进行滑动，对每个窗口内的合加速度计算方差值，
当标准差大于阈值A时，判断为活动开始，
当连续T时间内的滑动窗内标准差都小于阈值A时，判断为活动结束，
从活动开始到活动结束构成一个活动事件；
S400、提取活动事件的特征数据，特征数据包括发作数据、非发作数据；
S500、带有高斯核的概率密度估计函数对非发作数据建模，确定阈值τ，在阈值范围外的样本点则视为异常数据，触发报警，高斯核函数为：
Figure BDA0002520882910000031
其中
Figure BDA0002520882910000032
为正常活动的样本数据，d为样本数据的维度，
Figure BDA0002520882910000033
为一个正定对称矩阵，其对角元素可以看作是不同维上的平滑参数，而非对角元素则是在两个不同维特征方向上的平滑，可以用来调整特征之间的相关性。如果H中的值太大，函数估计就会被过度平滑，从而无法检测到数据局部的细微变化。另一方面，对H中的值选择的太小，就会导致过度拟合，从而在估计时对数据变化太敏感，引起函数变化过大。
代价函数为：
cost(β)＝-[2×sensitivity(β)+PPV(β)] (6)
β为使代价最小的常量，其中sensitivity(β)为灵敏度，用来描述识别出的所有正例占所有正例的比例，计算公式为：sensitivity＝TP/(TP+FN)，PPV用来描述识别出的所有正例占所有识别为正例的正负例的比例，计算公式为：PPV＝TP/(TP+FP)，其中，TP为正确识别出的正例，TN为正确识别出的负例，FP为误判为正例的负例，FN为误判为负例的正例。在判断癫痫发作时，在正常活动时误报警的代价比没能识别出癫痫发作的代价要小，故灵敏度的权重可以比PPV适当取大一些。
优选的，步骤S200中，对ax(n)、ay(n)、az(n)、gx(n)、gy(n)、gz(n)、vx(n)、vy(n)、vz(n)、rx(n)、ry(n)、rz(n)、r(n)进行滤波平滑。
优选的，滤波平滑的方法包括滑动平均滤波、中值滤波、高斯滤波、低通滤波。
优选的，步骤S300中，当前活动事件结束后，判断当前事件的开始与上一事件的结束是否间隔小于一段时间P，若是，则将当前事件与上一事件合并为同一事件。
优选的，步骤S400中的特征数据包括：
实际加速度rx(n)，ry(n)，rz(n)，r(n)；
角速度gx(n)，gy(n)，gz(n)；
四元数q0(n)，q1(n)，q2(n)，q3(n)。
优选的，步骤S400中的特征数据还包括时域数据、频域数据、小波域数据。
优选的，步骤S500中，根据95％的固定概率来确定阈值，计算每个样本点的概率，
根据每个样本点的概率计算直方图及其累积分布函数，
根据直方图及其累积分布函数，确定与95％边界相关的阈值τ。
本发明的有益效果：
1、本发明能够及时发现癫痫发作，为救治提供帮助。
2、本发明通过腕部的移动数据，结合数据处理对癫痫进行判断，可靠性强，准确性高。
3、本发明可以记录患者的发病历史，对医生诊断、治疗提供准确的发病数据。
附图说明
图1为本发明的算法流程图；
图2为本发明的模型训练流程图；
图3为本发明的原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。
如图3所示，本发明公开一种癫痫报警装置，包括手环，手环为具有调节大小的功能，手环中安装有三轴加速度传感器、三轴陀螺仪传感器，还包括处理器，处理器包括微处理芯片、存储器、无线通信模块，微处理器通过无线通信模块与三轴加速度传感器、三轴陀螺仪传感器无线连接，存储器中固化有癫痫分析软件，处理器还包括指示灯、语音模块、触摸屏，指示灯、语音模块、触摸屏均连接微处理芯片，无线通信模块包括蓝牙模块。
如图1所示，本发明还公开了上述报警装置的癫痫检测方法，包括：
1、数据采集
本算法采用的采集设备为可穿戴式手环，采样频率为100Hz，将手环贴合在手腕处，并在采集过程中保持相对位置不变，即手环贴紧手腕不晃动。在后续的描述中，以拇指方向为x轴正轴，其余四指指尖方向为y轴正轴，垂直于手背向上为z轴正轴。
2、数据预处理
使用手环采集数据，读取加速度传感器x、y、z轴的加速度值ax(n)、ay(n)、az(n)，以及陀螺仪传感器x、y、z轴的角速度值gx(n)、gy(n)、gz(n)，通过传感器芯片内置的姿态融合算法，可以计算得到四元数q0(n)、q1(n)、q2(n)、q3(n)。
传感器直接输出的加速度值是包含重力分量的，为了得到x，y，z三个轴上真实的加速度值，需要滤除传感器直接输出的加速度值中重力加速度的部分。利用四元数可求得各轴的重力分量为：
vx(n)＝2*(q1(n)*q3(n)-q0(n)*q2(n))
vy(n)＝2*(q0(n)*q1(n)-q2(n)*q3(n))
vz(n)＝1-2*(q1(n)*q1(n)-q2(n)*q2(n))
然后用各轴加速度减去重力分量，可得真实加速度：
rx(n)＝ax(n)-vx(n)*9.8
ry(n)＝ay(n)-vy(n)*9.8
rz(n)＝az(n)-vz(n)*9.8
由真实的三轴加速度，可得真实的合加速度：
Figure BDA0002520882910000061
然后为了消除一些小的噪声、抖动，可以对各轴加速度、合加速度、各轴角度进行滤波平滑，如滑动平均滤波、中值滤波、高斯滤波或者设计合适的低通滤波器等。
3、分割运动片段
为了简化数据建模阶段的运算量，丢弃掉原始数据中不包含动作信息的数据片段，比如静止状态的坐着、站立或躺着等数据。
使用长度为L的滑动窗，以半窗口长度，即L/2为步长进行滑动，对每个窗口内的合加速度计算方差值，当标准差大于阈值A时，判断为活动开始；当连续T时间内的滑动窗内标准差都小于阈值A时，判断为活动结束。从活动开始到活动结束构成一个活动事件。
为了避免同一个活动被分割为太多个事件，当前活动事件结束后，判断当前事件的开始与上一事件的结束是否间隔小于一段时间P，比如5s，若是，则将当前事件与上一事件合并为同一事件。
4、特征提取
首先选定活动事件共11个维度的数据，包括：
实际加速度rx(n)，ry(n)，rz(n)，r(n)
角速度gx(n)，gy(n)，gz(n)
四元数q0(n)，q1(n)，q2(n)，q3(n)
为了更准确、全面的描述动作的特征，可以在时域、频域、小波域对每个维度的数据提取多个特征，如：
时域：均值、标准差、最小值、最大值、协方差、偏度、窗口内的信号范围
频域：频率峰值、能量、80％，90％，95％的谱边缘频率、1-33，4-8，9-13，14-20Hz子频带功率
小波域：2-9域能量和总能量的比值、25-48域能量和总能量的比值
5、特征选择
我们选择的特征参数具有不同的量纲和单位，为了消除量纲不同对结果的影响，以及加快网络收敛速度，提高模型的精度，让各个特征对结果做出的贡献相同，一般需要进行数据标准化处理，常用的归一化方法有线性函数归一化、Z标准化等，可以选择映射到[-1，1]，[0，1]或者其他区间。
在归一化处理后，为了加快机器学习的速度，还可以继续进行降维处理。通过使用少数几个有代表性、不相关的特征来代替原来大量的、相关性强的特征。在此阶段需要使用非发作数据和发作数据共同选择，并且由于样本数量不均衡，发作数据的权重可以适当的大一些，比如是非发作数据权重的20倍等。我们选择常用的均方误差最小化、主成分分析算法进行降维，并根据实际需求或一些判别指标，选择降维后的维数，一般选择能覆盖降维前99％特征信息的最小维数。
这里选择基于L1惩罚项的线性回归模型进行特征选择，最后选择对在每一个维度上提取5个特征值，包括最小值，最小值，平均值，方差，上下四分位差。最后加上活动事件的持续时间作为最后一个特征值。构成包含56个特征值的特征向量。
6、数据建模
常见的识别算法主要有模板匹配、动态时间规整、KNN，支持向量机、神经网络等，为了降低人工成本，可以选择无需标注的核密度估计算法，如图2所示的带有高斯核的概率密度估计函数对非发作数据建模，然后确定一个阈值τ，在阈值范围外的样本点则视为异常数据，触发报警。这样就只需要对正常活动数据建模，不需要大量的人工标注正负样本。
高斯核函数中只有一个超参数需要确定，即带宽(β)。它会影响估计分布的平滑度，较大的带宽会导致更平滑的密度估计。高斯核函数：
Figure BDA0002520882910000081
其中
Figure BDA0002520882910000082
为正常活动的样本数据，d为样本数据的维度，
Figure BDA0002520882910000083
为一个正定对称矩阵；其对角元素可以看作是不同维上的平滑参数，而非对角元素则是在两个不同维特征方向上的平滑，可以用来调整特征之间的相关性。如果H中的值太大，函数估计就会被过度平滑，从而无法检测到数据局部的细微变化。另一方面，对H中的值选择的太小，就会导致过度拟合，从而在估计时对数据变化太敏感，引起函数变化过大。
核密度估计中另一个需要确定的阈值是在τ。我们根据95％的固定概率来确定阈值。这意味着5％的正常运动被归类为癫痫。为了确定阈值τ，我们计算每个样本点的概率。根据这些概率，计算直方图及其累积分布函数(CDF)。使用这个CDF，我们就可以确定与95％边界相关的阈值τ。
将样本数据打乱，使用3000组动作样本作为训练集，1000组作为交叉验证集，1000组作为测试集，并且保证每个数据集中正负样本比例相同。训练集用来训练模型，验证集用于选择模型参数，测试集用来评估模型的泛化能力。
由于判断癫痫发作时，误将正常活动判断为发作的代价比漏判发作的代价小，所以代价函数确定为：
cost(β)＝-[2×sensitivity(β)+PPV(β)]
β为使代价最小的常量，其中sensitivity(β)为灵敏度，用来描述识别出的所有正例占所有正例的比例，计算公式为：sensitivity＝TP/(TP+FN)，PPV用来描述识别出的所有正例占所有识别为正例的正负例的比例，计算公式为：PPV＝TP/(TP+FP)，其中，TP为正确识别出的正例，TN为正确识别出的负例，FP为误判为正例的负例，FN为误判为负例的正例。在判断癫痫发作时，在正常活动时误报警的代价比没能识别出癫痫发作的代价要小，故灵敏度的权重可以比PPV适当取大一些。
7、提高模型普适性
由于患者癫痫发作的特征动作不尽相同，在使用前期，根据个人动作和发作动作特征，可以对模型中的参数β进行调整。发作时动作特征不明显的可以选择较小的β，发作特征明显区别于日常动作的可以选择较大的β。
在患者使用过程中可以手动取消误报警，如果误报过多可以以此作为依据调整为更小的带宽，但为了尽可能避免漏报，也可不做调整。如果出现漏报的情况，则需选择β更大的高斯核函数。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种癫痫报警装置，其特征在于：包括手环，手环为具有调节大小的功能，
手环中安装有三轴加速度传感器、三轴陀螺仪传感器，
还包括处理器，处理器包括微处理芯片、存储器、无线通信模块，微处理器通过无线通信模块与三轴加速度传感器、三轴陀螺仪传感器无线连接，存储器中固化有癫痫分析软件。
2.根据权利要求1所述的报警装置，其特征在于：处理器还包括指示灯、语音模块、触摸屏，指示灯、语音模块、触摸屏均连接微处理芯片。
3.根据权利要求1所述的报警装置，其特征在于：无线通信模块包括蓝牙模块。
4.一种使用如权利要求1、2或3所述报警装置的癫痫检测方法，其特征在于包括以下步骤：
S100、读取三轴加速度传感器的x、y、z轴的加速度值ax(n)、ay(n)、az(n)，读取三轴陀螺仪传感器的x、y、z轴的角速度值gx(n)、gy(n)、gz(n)，使用姿态融合算法计算得到四元数q0(n)、q1(n)、q2(n)、q3(n)；
S200、计算得到x、y、z轴的重力分量vx(n)、vy(n)、vz(n)，计算得到真实的合加速度，计算公式如下：
rx(n)＝ax(n)-vx(n)*9.8 (1)
ry(n)＝ay(n)-vy(n)*9.8 (2)
rz(n)＝az(n)-vz(n)*9.8 (3)
Figure FDA0002520882900000011
其中rx(n)为x轴方向的真实加速度，ry(n)为y轴方向的真实加速度，rz(n)为z轴方向的真实加速度，r(n)为真实的合加速度；
S300、分割运动片段，使用长度为L的滑动窗，以L/2为步长进行滑动，对每个窗口内的合加速度计算方差值，
当标准差大于阈值A时，判断为活动开始，
当连续T时间内的滑动窗内标准差都小于阈值A时，判断为活动结束，
从活动开始到活动结束构成一个活动事件；
S400、提取活动事件的特征数据，特征数据包括发作数据、非发作数据；
S500、带有高斯核的概率密度估计函数对非发作数据建模，确定阈值τ，在阈值范围外的样本点则视为异常数据，触发报警，x处的高斯核函数为：
Figure FDA0002520882900000021
其中
Figure FDA0002520882900000022
为正常活动的样本数据，d为样本数据的维度，
Figure FDA0002520882900000023
为一个正定对称矩阵；
代价函数为：
cost(β)＝-[2×sensitivity(β)+PPV(β)] (6)
β为使代价最小的常量，其中sensitivity(β)为灵敏度，用来描述识别出的所有正例占所有正例的比例，计算公式为：sensitivity＝TP/(TP+FN)，PPV用来描述识别出的所有正例占所有识别为正例的正负例的比例，计算公式为：PPV＝TP/(TP+FP)，其中，TP；为正确识别出的正例，TN；为正确识别出的负例，FP；为误判为正例的负例，FN；为误判为负例的正例。
5.根据权利要求4所述的检测方法，其特征在于：步骤S200中，对ax(n)、ay(n)、az(n)、gx(n)、gy(n)、gz(n)、vx(n)、vy(n)、vz(n)、rx(n)、ry(n)、rz(n)、r(n)进行滤波平滑。
6.根据权利要求5所述的检测方法，其特征在于：滤波平滑的方法包括滑动平均滤波、中值滤波、高斯滤波、低通滤波。
7.根据权利要求4所述的检测方法，其特征在于：步骤S300中，当前活动事件结束后，判断当前事件的开始与上一事件的结束是否间隔小于一段时间P，若是，则将当前事件与上一事件合并为同一事件。
8.根据权利要求4所述的检测方法，其特征在于，步骤S400中的特征数据包括：
实际加速度rx(n)，ry(n)，rz(n)，r(n)；
角速度gx(n)，gy(n)，gz(n)；
四元数q0(n)，q1(n)，q2(n)，q3(n)。
9.根据权利要求8所述的检测方法，其特征在于：步骤S400中的特征数据还包括时域数据、频域数据、小波域数据。
10.根据权利要求4所述的检测方法，其特征在于：步骤S500中，根据95％的固定概率来确定阈值，计算每个样本点的概率，
根据每个样本点的概率计算直方图及其累积分布函数，
根据直方图及其累积分布函数，确定与95％边界相关的阈值τ。
CN202010490461.7A 2020-06-02 2020-06-02 一种癫痫报警装置及癫痫检测方法 Pending CN111643092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010490461.7A CN111643092A (zh) 2020-06-02 2020-06-02 一种癫痫报警装置及癫痫检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010490461.7A CN111643092A (zh) 2020-06-02 2020-06-02 一种癫痫报警装置及癫痫检测方法

Publications (1)

Publication Number Publication Date
CN111643092A true CN111643092A (zh) 2020-09-11

Family

ID=72343924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010490461.7A Pending CN111643092A (zh) 2020-06-02 2020-06-02 一种癫痫报警装置及癫痫检测方法

Country Status (1)

Country Link
CN (1) CN111643092A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200228A (zh) * 2020-09-29 2021-01-08 黑龙江吉远健康科技有限公司 一种基于二维卷积神经网络的癫痫发作状态识别方法
CN112287971A (zh) * 2020-09-27 2021-01-29 北京航天自动控制研究所 一种测试数据自适应动态阈值确定方法
CN113790722A (zh) * 2021-08-20 2021-12-14 北京自动化控制设备研究所 一种基于惯性数据时频域特征提取的行人步长建模方法
CN113907707A (zh) * 2021-08-31 2022-01-11 西安交通大学 一种基于多模态信息的癫痫发作时间段检测系统及方法
CN114431829A (zh) * 2020-11-05 2022-05-06 四川大学华西医院 一种癫痫发作判断模型的建模方法、癫痫监控方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203552412U (zh) * 2013-11-21 2014-04-16 燕山大学 一种便携式癫痫发作检测报警装置
CN104185050A (zh) * 2014-07-30 2014-12-03 哈尔滨工业大学深圳研究生院 基于ott电视的智能遥控系统及其控制方法
CN204863143U (zh) * 2015-07-09 2015-12-16 南京信息工程大学 一种基于多传感器的癫痫病人户外监测系统
CN105232000A (zh) * 2015-10-29 2016-01-13 四川大学华西医院 癫痫检测装置及癫痫检测方法
CN110248601A (zh) * 2016-12-21 2019-09-17 埃尔瓦有限公司 使用共形电子装置根据运动方案监测身体运动或状况
CN110739077A (zh) * 2018-07-19 2020-01-31 杭州星迈科技有限公司 癫痫发作预警方法及系统
CN110946556A (zh) * 2019-12-27 2020-04-03 南京信息工程大学 基于可穿戴式体感网的帕金森静息态震颤评估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203552412U (zh) * 2013-11-21 2014-04-16 燕山大学 一种便携式癫痫发作检测报警装置
CN104185050A (zh) * 2014-07-30 2014-12-03 哈尔滨工业大学深圳研究生院 基于ott电视的智能遥控系统及其控制方法
CN204863143U (zh) * 2015-07-09 2015-12-16 南京信息工程大学 一种基于多传感器的癫痫病人户外监测系统
CN105232000A (zh) * 2015-10-29 2016-01-13 四川大学华西医院 癫痫检测装置及癫痫检测方法
CN110248601A (zh) * 2016-12-21 2019-09-17 埃尔瓦有限公司 使用共形电子装置根据运动方案监测身体运动或状况
CN110739077A (zh) * 2018-07-19 2020-01-31 杭州星迈科技有限公司 癫痫发作预警方法及系统
CN110946556A (zh) * 2019-12-27 2020-04-03 南京信息工程大学 基于可穿戴式体感网的帕金森静息态震颤评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KRIS CUPPENS等: "Accelerometry-Based Home Monitoring for Detection of Nocturnal Hypermotor Seizures Based on Novelty Detection", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287971A (zh) * 2020-09-27 2021-01-29 北京航天自动控制研究所 一种测试数据自适应动态阈值确定方法
CN112200228A (zh) * 2020-09-29 2021-01-08 黑龙江吉远健康科技有限公司 一种基于二维卷积神经网络的癫痫发作状态识别方法
CN114431829A (zh) * 2020-11-05 2022-05-06 四川大学华西医院 一种癫痫发作判断模型的建模方法、癫痫监控方法及装置
CN113790722A (zh) * 2021-08-20 2021-12-14 北京自动化控制设备研究所 一种基于惯性数据时频域特征提取的行人步长建模方法
CN113790722B (zh) * 2021-08-20 2023-09-12 北京自动化控制设备研究所 一种基于惯性数据时频域特征提取的行人步长建模方法
CN113907707A (zh) * 2021-08-31 2022-01-11 西安交通大学 一种基于多模态信息的癫痫发作时间段检测系统及方法
CN113907707B (zh) * 2021-08-31 2022-12-23 西安交通大学 一种基于多模态信息的癫痫发作时间段检测系统及方法

Similar Documents

Publication Publication Date Title
CN111643092A (zh) 一种癫痫报警装置及癫痫检测方法
JP5674766B2 (ja) 着用位置を検出するためのセンシングデバイス
EP3099229B1 (en) Improvements in the detection of walking in measurements of the movement of a user
WO2017113653A1 (zh) 一种人体运动状态的识别方法和装置
US20130331723A1 (en) Respiration monitoring method and system
Jensen et al. Classification of kinematic swimming data with emphasis on resource consumption
CN103429150A (zh) 用于监测生理信号的监测装置
CN111089604B (zh) 基于可穿戴传感器的健身运动识别方法
Krupitzer et al. Beyond position-awareness—Extending a self-adaptive fall detection system
Alivar et al. Motion detection in bed-based ballistocardiogram to quantify sleep quality
Tăuţan et al. Freezing of gait detection for parkinson’s disease patients using accelerometer data: Case study
CN109620241B (zh) 一种可穿戴设备及基于其的动作监测方法
KR101483218B1 (ko) 활동 진단 장치
Naghavi et al. Improving machine learning based detection of freezing of gait using data synthesis methods
WO2022111203A1 (zh) 心率检测方法和装置
CN115336979A (zh) 基于可穿戴设备的多任务震颤自动检测方法及其检测设备
CN112432640B (zh) 使用状态判断方法、装置、电子设备和介质
Valero et al. Reprint of: Vibration sensing-based human and infrastructure safety/health monitoring: A survey
CN114869272A (zh) 姿势震颤检测模型、姿势震颤检测算法、以及姿势震颤检测设备
WO2008094125A1 (en) Method and system for automatic psychiatric disorder detection and classification
CN111743668B (zh) 假肢控制方法、装置、电子设备和存储介质
CN115886794A (zh) 多分类器的选取方法、冻结步态检测系统、设备、存储介质
WO2022006659A1 (en) Method and apparatus for detecting fall events
Pipanmaekaporn et al. Mining Acceleration Data for Smartphone-based Fall Detection
CN115429220A (zh) 可穿戴设备及其佩戴检测方法和佩戴检测装置

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

Application publication date: 20200911

RJ01 Rejection of invention patent application after publication