CN113257427B - 一种带肌群放松模型数据库的系统 - Google Patents

一种带肌群放松模型数据库的系统 Download PDF

Info

Publication number
CN113257427B
CN113257427B CN202010360834.9A CN202010360834A CN113257427B CN 113257427 B CN113257427 B CN 113257427B CN 202010360834 A CN202010360834 A CN 202010360834A CN 113257427 B CN113257427 B CN 113257427B
Authority
CN
China
Prior art keywords
muscle group
relaxation
data
sensitive
myoelectric
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
CN202010360834.9A
Other languages
English (en)
Other versions
CN113257427A (zh
Inventor
鄢姬铃
许晏菁
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.)
Hangzhou Yunshuiba Health Management Co ltd
Original Assignee
Hangzhou Yunshuiba Health Management 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 Hangzhou Yunshuiba Health Management Co ltd filed Critical Hangzhou Yunshuiba Health Management Co ltd
Priority to CN202010360834.9A priority Critical patent/CN113257427B/zh
Publication of CN113257427A publication Critical patent/CN113257427A/zh
Application granted granted Critical
Publication of CN113257427B publication Critical patent/CN113257427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/113—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/04—Electrodes
    • A61N1/0404—Electrodes for external use
    • A61N1/0472—Structure-related aspects
    • A61N1/0492—Patch electrodes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/36014—External stimulators, e.g. with patch electrodes
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种带肌群放松模型数据库的系统。现有的放松设备无法为用户提供个性化放松方案。本发明包括数据采集器、肌群放松模型数据库、处理器以及放松设备。通过预先建立包括与各目标群体逐一对应的肌群放松数据包的肌群放松模型数据库，使得使用者无需进行繁琐的针对性检测，有效缩短使用者获得匹配肌群放松数据包的时间，并通过放松设备实施肌群放松数据包内包含的放松方案，既有效简化获得匹配放松方案所需的操作步骤，方便规模化使用，还通过筛选出高级敏感肌群来使得放松操作具有针对性，有效缓解紧张情绪，进而提升入睡质量。

Description

一种带肌群放松模型数据库的系统
技术领域
本发明涉及睡眠领域，具体涉及一种带肌群放松模型数据库的系统。
背景技术
肌肉紧张是骨骼肌的紧绷引起的，借助骨骼肌的紧绷来确保人体保持身体平衡，并使其准备积极参加活动。肌肉的这种紧张度有时降低，有时升高，人体的兴奋程度也受到肌肉紧张程度的影响。
肌肉紧张与人的情绪状态有密切的联系，肌肉紧张既受到情绪的影响，也会加深相关的情绪体验。当情绪平和时，肌肉紧张度就降低，个体也能有效地进行休息，迅速地恢复精力。相反，如果我们被消极情绪(激动、愤怒、不安、惊慌、恐惧)所支配，肌肉的紧张度就会愈益增高，还能引起平滑肌活性提高，植物性反应发生变化(出冷汗，动脉血压升高，呼吸的深度及频率、内脏器官的机能发生变化)。
当前，肌肉紧张已经成为社会亚健康的一种常见症状，不仅影响着白天工作学习的效率，甚至影响着夜晚的睡眠质量。尽管市面上已经有各种品牌各种类型的肌肉放松产品，以及一些帮助肌肉放松的课程，但仍然存在着不同缺陷。现有绝大多数放松产品仅以颈部和肩部作为主要放松部位，未考虑到肌肉紧张中全身不同部位肌肉间的关联性和复杂性，无法获知各自的高级敏感肌群进行对应放松操作，进而无法有效缓解人们的紧张情绪，进而导致人们因神经始终处于兴奋状态而无法快速入睡；其次，现有的放松设备只能对特定肌群进行放松，无法按照敏感排序对多个高级敏感肌群进行按序逐一放松，影响放松效率和效果。
发明内容
为了解决现有技术的不足，本发明提供一种带肌群放松模型数据库的系统，通过设置肌群放松模型数据库来对不同使用者对应的高级敏感肌群进行预判，进而为放松设备对高级敏感肌群进行按序放松，既有效缓解紧张情绪，还提升入睡质量。
本发明通过以下方式实现：一种带肌群放松模型数据库的系统，包括数据采集器、肌群放松模型数据库、处理器以及放松设备。
数据采集器，通过便携式设备获取基础信息，起到实时监测使用者的特定生理数据的作用，为处理器判定高级敏感肌群是否放松至预设要求提供依据。
肌群放松模型数据库，存储有多组与各目标群体逐一对应的基础信息以及肌群放松数据包，各组目标群体间具有差异的基础信息，所述肌群放松数据包包含目标肌群的敏感排序以及对应的放松时长。通过预先对各类目标群体进行检测统计来形成包括与各类目标群体对应的肌群放松数据包，利用肌群放松数据包内的放松方案来控制放松设备对使用者实时针对性放松。
处理器，接收来自数据采集器的基础信息，根据用户的基础信息在肌群放松模型数据库内获得对应的肌群放松数据包，进而控制放松设备运行。处理器既起到获取肌群放松数据包并控制放松设备工作的作用，还起到获取使用者的实时检测数据并判定使用者是否达到预设放松要求的作用，进而控制放松设备顺利实时按步骤实施放松方案。
放松设备，按肌群放松数据包内的敏感排序对目标肌群进行满足放松时长的放松刺激。放松设备接收处理器指令并对目标肌群进行放松刺激，以消除目标肌群的紧张状态，进而有效降低使用者的交感神经活性，调动副交感神经活性。
所述系统在运行时，通过以下步骤实现：
首先，利用数据采集器对用户进行基础信息采集，并将基础信息传输至处理器中；
之后，处理器接收基础信息并与肌群放松模型数据库内各目标群体的基础信息进行对比，以此将用户归类至对应的目标群体中，并获得对应的肌群放松数据包；
最后，处理器在获取肌群放松数据包内的目标肌群敏感排序以及各目标肌群放松时长，进而利用放松设备对用户进行放松刺激。
通过预先建立包括与各目标群体逐一对应的肌群放松数据包的肌群放松模型数据库，使得使用者无需进行繁琐的针对性检测，有效缩短使用者获得匹配肌群放松数据包的时间，并通过放松设备实施肌群放松数据包内包含的放松方案，既有效简化获得匹配放松方案所需的操作步骤，方便规模化使用，还通过筛选出高级敏感肌群来使得放松操作具有针对性，有效缓解紧张情绪，进而提升入睡质量。
作为优选，在构建所述肌群放松模型数据库时，各组目标群体包括至少一个检测样本，对同一目标群体内的检测样本进行依次编号为1至i，对各目标肌群依次编号为1至b，并通过以下方式获得基础信息：
第一步，采集各检测样本的基础信息，并以此对检测样本进行目标群体归类；不同的目标群体间局部差异化的基础信息，相同的目标群体内具有相同或近似的高级敏感肌群，所以将具有相同基础信息的人群归类为同一目标群体，为使用者根据自身的基础信息来对比归类对应的目标群体提供依据，进而确保使用者获得适应自身情况的放松方案；
第二步，对同一目标群体内的各检测样本分别进行睡眠监测，以此获得该检测样本的睡眠时长Ti以及单帧时长为t秒的原始数据包，各检测样本对应的原始数据包数量为ji，ji＝Ti/t，各原始数据包内包括脑电数据EEG、眼电数据EOG、下颌肌电数据CEMG以及各目标肌群的肌电数据Mi-j-b；
第三步，根据各原始数据包内的脑电数据MEEG-i-j、眼电数据MEOG-i-j以及下颌肌电数据MCEMG-i-j将检测目标的整个睡眠过程划分为入睡潜伏期、浅睡期、深睡期、快速眼动期以及微觉醒期，并以此获得与入睡潜伏期对应的入睡潜伏期数据包的数量jsol-i和时长Tsol-i；
第四步，对各入睡潜伏期数据包内各肌电数据Msol-i-j-b逐一进行平均值计算，以此获得肌电平均值M’sol-i-j-b，对各入睡潜伏期数据包内脑电数据MsolEEG-i-j逐一进行平均值计算，以此获得脑电平均值M’solEEG-i-j，利用肌电平均值M’sol-i-j-b和脑电平均值M’solEEG-i-j计算与各目标肌群对应的初级敏感系数rb，利用初级敏感系数rb计算获得与各目标肌群对应的初级显著性参数Trb，将初级显著性参数Trb与设定的初级显著性阈值T’rb比较，进而筛选出初级敏感肌群；
第五步，对各入睡潜伏期数据包内的脑电数据EEG获得脑电平均值M’EEG-i-j，利用初级敏感肌群的Mi-j-b和脑电平均值M’EEG-i-j计算与各初级敏感肌群逐一对应的权重因子βb，获得与各初级敏感肌群逐一对应的权重显著性参数
Figure GDA0002648252460000041
将权重显著性参数
Figure GDA0002648252460000042
与设定的权重显著性阈值
Figure GDA0002648252460000043
比较，进而从初级敏感肌群中筛选出高级敏感肌群；
第六步，将高级敏感肌群以对应的权重显著性参数
Figure GDA0002648252460000044
从大到小排列，以此形成目标肌群的敏感排序，当权重显著性参数
Figure GDA0002648252460000045
越大时，说明对应的高级敏感肌群与使用者紧张状态间的关联性越强；
第七步，所述高级敏感肌群按敏感排序被依次编号为1至a，设置与高级敏感肌群数量匹配且呈梯级状依次降低的评判阈值，放松设备按敏感排序对特定肌群逐一进行放松刺激直至脑电数据MEEG-i-j小于对应的评判阈值，记录实施放松刺激的放松时间Ta-i，对目标群体内的各检测样本的放松时间Ta-i进行累加平均计算，以此获得与该目标群体的各高级敏感肌群对应的放松时长；通过对脑电数据MEEG-i-j进行实时监测来判断对各高级敏感肌群放松的实施效果，并以此收集对各高级敏感肌群放松所需的时间，为控制放松设备运行提供参考依据；
第八步，将对应的目标群体基础信息、目标肌群的敏感排序以及放松时长Tsol-a匹配关联并形成保存在所述肌群放松模型数据库内的肌群放松数据包。
肌群放松模型数据库为预先构建，且使用于绝大部分用户，以此来为后续使用的用户提供快速的获取对应放松方案的途径。肌群放松模型数据库内包括与目标群体逐一对应的肌群放松数据包，肌群放松数据包内包括与目标群体对应的高级敏感肌群的敏感排序以及各高级敏感肌群的放松时长，由此为用户提供个性化的放松方案。具体地，通过对所有目标肌群进行初级筛选和高级筛选后获得与该目标群体对应的高级敏感肌群，同时，利用筛选过程中的数据来对高级敏感肌群进行敏感性排序，进而控制放松设备对高级敏感肌群进行按序逐一放松操作。
作为优选，所述原始数据包内包括t个瞬时脑电数据、瞬时眼电数据、瞬时下颌肌电数据以及各目标肌群的瞬时肌电数据，10≤t≤60，t表示数据采集的单帧时长，与数据采集点对应，每秒采集1个数据点，通过对瞬时脑电数据进行累加平均来获得脑电数据MEEG-i-j，通过对瞬时眼电数据进行累加平均来获得眼电数据MEOG-i-j，通过对瞬时下颌肌电数据进行累加平均来获得下颌肌电数据MCEMG-i-j，通过对各目标肌群的瞬时肌电数据累加平均获得各目标肌群的肌电数据Mi-j-b。通过分别对脑电数据、瞬时眼电数据、瞬时下颌肌电数据以及各目标肌群的瞬时肌电数据进行累加平均来消除个别数据出现较大偏差的情况，有效消除人工伪迹或者异常波动对数据处理的影响，提升数据计算准确性。
作为优选，在第四步中，通过以下方式获得初级敏感肌群：
首先，通过以下公式计算初级敏感系数rb，
Figure GDA0002648252460000051
之后，利用参数rb计算获得与各目标肌群对应的初级敏感系数Trb，
Figure GDA0002648252460000052
最后，设初级显著性阈值T’rb，当Trb＞T’rb时，对应的目标肌群被设定为初级敏感肌群。
通过公式对各目标肌群的敏感性进行初步验证，先获得与各目标肌群对应的初级敏感系数rb，再通过初级敏感系数rb计算获得初级敏感系数Trb，并通过比较初级敏感系数Trb与对应阈值来筛选初级敏感肌群，为筛选高级敏感肌群做准备。通过设定差异化的参数b来区分具体的目标肌群，以使检测样本的各目标肌群均能通过上述计算来判断是否被选定为初级敏感肌群，通过增大检测范围来提升初级敏感肌群的全面性，防止因存在漏检的情况而影响放松方案准确性。
作为优选，在第五步中，通过以下方式获得高级敏感肌群：
首先，通过以下方程式计算获得与初级敏感肌群逐一对应的权重因子βb，
Figure GDA0002648252460000061
其中，将各入睡潜伏期数据包内的MsolEEG-i-j以及Msol-i-j-b带入上述公式方程式以形成方程组，且未被设定为初级敏感肌群的目标肌群对应的βb设定为0，以此计算获得与初级敏感肌群数量对应的权重因子βb，将计算获得的权重因子βb；b的取值会根据目标肌群不同而变化，通过将具有不同b值对应的MsolEEG-i-j和Msol-i-j-b带入公式，以形成具有b个方程式的方程组，由此计算获得具有不同b值的权重因子βb；
之后，利用权重系数βb计算获得与各初级敏感肌群对应的高级敏感系数Tβb，
Figure GDA0002648252460000062
利用计算获得的权重系数βb来获得与各初级敏感肌群对应的高级敏感系数Tβb；
最后，权重显著性阈值
Figure GDA0002648252460000063
当
Figure GDA0002648252460000064
时，对应的初级敏感肌群被设定为高级敏感肌群。
通过公式计算与各初级敏感肌群逐一对应的权重因子βb，再将先获得与各目标肌群对应的初级敏感系数rb，再通过初级敏感系数rb计算获得初级敏感系数Trb，并通过比较初级敏感系数Trb与对应阈值来筛选初级敏感肌群
作为优选，在第七步，通过以下步骤获得放松时长：
首先，设置a个以梯级状依次降序排列且与按敏感排序的高级敏感肌群逐一对应的评判阈值B1至Ba，使得各高级敏感肌群均具有对应的评判阈值，为统计针对各高级敏感肌群的放松时长提供统一标准；
之后，按敏感排序对各高级敏感肌群进行逐一放松刺激，当对应入睡潜伏期数据包内的脑电数据MEEG-i-j小于与当前高级敏感肌群对应的评判阈值时转为对下一高级敏感肌群实施放松刺激，依次对各高级敏感肌群完成放松刺激后，记录各高级敏感肌群实施放松刺激的放松时间并依次记录为T1-i至Ta-i；由于同一目标群体内具有相同的敏感排序，使得同一目标群体内的各检测样本具有相同的高级敏感肌群放松顺序，将各检测样本相同序位的高级敏感肌群进行放松操作并使得实时脑电数据MEEG-i-j小于对应评判阈值所需的时间记录为Ta-i，参数i会根据检测样本不同而变化，参数a会根据高级敏感肌群的序位不同而变化；
最后，通过将各检测样本内的T1-i至Ta-i分别进行累加平均计算，以获得与该目标群体各高级敏感肌群逐一对应的放松时长T’1至T’a。具体地，将各检测样本相同序位对应的放松时长进行累加平均，以获得与该目标群体的该高级敏感肌群对应的放松时长，具体地，对a＝1的T1-i进行累加平均，以获得参数T’1，通过重复上述操作，对具有相同a值的Ta-i进行累加平均，以获得参数T’a。
作为优选，设置评判阈值Ba，6HZ≤Ba≤10HZ，获取检测样本的睡前脑电数据MEEGbaseline-i，通过将睡前脑电数据MEEGbaseline-i与Ba间差值以与各高级敏感肌群对应的权重因子βb之比为依据获得B1至Ba-1。设置最小的评判阈值，并以与各高级敏感肌群对应的权重因子βb为依据按比例划分获得自大变小排列的B至Ba。评判阈值Ba可以根据目标群体的特征进行设置，当目标群体属于睡前脑电数据较活跃的群体时，通过设置较大的评判阈值Ba来提升B1至Ba-1，进而使得放松设备更容易地按敏感排序进行依次放松操作，反之，则通过设置较小的评判阈值Ba来减小B1至Ba-1，进而使得放松设备能为使用者提供更精细的切换控制。
作为优选，所述原始数据包内包括t个瞬时脑电数据，当瞬时脑电数据中小于对应评判阈值的比例大于等于50％时，结束对当前高级敏感肌群的放松刺激并转为对下一高级敏感肌群实施放松刺激。由于脑电数据处于波动状态，所以需要通过统计方式来判定与评判阈值间的大小关系，具体地，各原始数据包内包括等时长获取的t个瞬时脑电数据，通过将瞬时脑电数据逐一与对应的评判阈值进行比较，以统计小于评判阈值的瞬时脑电数据比例，进而判定放松操作是否满足预设要求，进而为放松设备沿敏感排序在不同高进敏感肌群间切换提供参考依据。
作为优选，所述目标肌群包括颞肌肌电、额肌肌电、眼轮匝肌肌电、咀嚼肌肌电、口轮匝肌肌电、胸锁乳突肌肌电、斜方肌肌电、三角肌肌电、胸大肌肌电、肱三头肌肌电、肱二头肌肌电、前锯肌肌电、肱桡肌肌电、旋前圆肌肌电、手臂屈肌肌电、手指屈肌肌电、腹直肌肌电、阔筋膜张肌肌电、髂腰肌肌电、耻骨肌肌电、股薄肌肌电、缝匠肌肌电、股四头肌肌电、内收长肌肌电、腓肠肌肌电、比目鱼肌肌电、腓肌肌电、胫骨前肌肌电中的一个或多个，并被依次编号为1至b。通过增大目标肌群的范围来有效提升筛选准确性，进而提升高级敏感肌群与目标群体紧张情绪关联的准确性，确保系统通过对高级敏感肌群实施放松操作能有效缓解紧张情绪。通过对各目标肌群进行编号设定来确保整个系统顺畅运行，防止出现放松设备的放松对象与预设高级敏感肌群不符的情况。
作为优选，所述放松设备为电极贴，电极贴的数量与高级敏感肌群数量匹配，所述电极贴被依次编号并可依次启停切换，使用时，将电极贴按敏感排序依次贴合在高级敏感肌群上，实现按敏感排序对各高级敏感肌群依次实施放松刺激；或者，所述放松设备为按摩仪，按摩仪具有与所述高级敏感肌群逐一对应的按摩部。利用不同的放松设备来对目标肌群实施差异化的刺激，有效提升放松效果。
本发明的突出有益效果：通过预先建立包括与各目标群体逐一对应的肌群放松数据包的肌群放松模型数据库，使得使用者无需进行繁琐的针对性检测，有效缩短使用者获得匹配肌群放松数据包的时间，并通过放松设备实施肌群放松数据包内包含的放松方案，既有效简化获得匹配放松方案所需的操作步骤，方便规模化使用，还通过筛选出高级敏感肌群来使得放松操作具有针对性，有效缓解肌肉紧张，降低交感神经活性，增加副交感神经活性，从而减少入睡时间。
具体实施方式
下面结合具体实施方式对本发明的实质性特点作进一步的说明。
本实施例所述的一种带肌群放松模型数据库的系统，由数据采集器、肌群放松模型数据库、处理器以及放松设备组成，通过预先建立包括与各目标群体逐一对应的肌群放松数据包的肌群放松模型数据库，使得使用者无需进行繁琐的针对性检测，有效缩短使用者获得匹配肌群放松数据包的时间，并通过放松设备实施肌群放松数据包内包含的放松方案，既有效简化获得匹配放松方案所需的操作步骤，方便规模化使用，还通过筛选出高级敏感肌群来使得放松操作具有针对性，有效缓解肌肉紧张，降低交感神经活性，增加副交感神经活性，从而减少入睡时间。
在实际操作中，数据采集器为便携式设备，用于获取基础信息。具体地，通过设置多个基础信息来将适用人群划分为多个目标群体，使得各目标群体间具有差异化的基础信息。在设定基础信息种类时，会根据用户的生理方面、心理方面以及生活方面等因素来进行确定，以使同一目标群体内的各检测样本的高级敏感肌群具有统一性，为处理器在肌群放松模型数据库内寻找与用户匹配的肌群放松数据包提供参考依据。所述基础信息既可以通过数据采集器采集获得，还可以通过问询方式获得，均应视为本发明的具体实施例。
在实际操作中，处理器，接收来自数据采集器的基础信息，根据用户的基础信息在肌群放松模型数据库内获得对应的肌群放松数据包，进而控制放松设备运行。处理器将接收的基础信息与肌群放松模型数据库的各组基础信息进行比对，以此获得与用户匹配的肌群放松数据包，通过获取肌群放松数据包内的目标肌群的敏感排序以及对应的放松时长来控制放松设备对各目标肌群和放松时长实施放松操作，以调节用户的紧张状态和焦虑感，降低神经兴奋性，便于用户尽快入睡，提升睡眠质量。
在实际操作中，肌群放松模型数据库，存储有多组与各目标群体逐一对应的基础信息以及肌群放松数据包，各组目标群体间具有差异的基础信息，所述肌群放松数据包包含目标肌群的敏感排序以及对应的放松时长。各肌群放松数据包内均包含互为对应的基础信息、目标肌群的敏感排序以及对应的放松时长，该目标肌群为该目标群体的高级敏感肌群。
在实际操作中，放松设备，按肌群放松数据包内的敏感排序对目标肌群进行满足放松时长的放松刺激。放松设备可以根据不同用户的喜好来设置呈不同的装置，既确保用户的高进敏感肌群获得有效放松，还能通过施加合理且舒适的刺激来提升使用舒适性，提升使用体验。具体地，所述放松设备为电极贴，电极贴的数量与高级敏感肌群数量匹配，所述电极贴被依次编号并可依次启停切换，使用时，将电极贴按敏感排序依次贴合在高级敏感肌群上，实现按敏感排序对各高级敏感肌群依次实施放松刺激；此外，所述放松设备还可以为按摩仪、振动棒等，按摩仪具有与所述高级敏感肌群逐一对应的按摩部，均应视为本发明的具体实施例。
在实际操作中，在构建所述肌群放松模型数据库时，各组目标群体包括至少一个检测样本，对同一目标群体内的检测样本进行依次编号为1至i，参数i为变量且与同一目标群体内的检测样本数量对应，对各目标肌群依次编号为1至b，参数b为变量且与目标肌群的数量对应。所述目标肌群包括颞肌肌电、额肌肌电、眼轮匝肌肌电、咀嚼肌肌电、口轮匝肌肌电、胸锁乳突肌肌电、斜方肌肌电、三角肌肌电、胸大肌肌电、肱三头肌肌电、肱二头肌肌电、前锯肌肌电、肱桡肌肌电、旋前圆肌肌电、手臂屈肌肌电、手指屈肌肌电、腹直肌肌电、阔筋膜张肌肌电、髂腰肌肌电、耻骨肌肌电、股薄肌肌电、缝匠肌肌电、股四头肌肌电、内收长肌肌电、腓肠肌肌电、比目鱼肌肌电、腓肌肌电、胫骨前肌肌电中的一个或多个，并被依次编号为1至b。所述目标肌群的数量可以根据目标群体的特征变化而进行扩张，便于肌群放松模型数据库获得用户的高级敏感肌群，进而提升放松操作针对性。
在实际操作中，所述肌群放松模型数据需要被预先构建，通过以下步骤构建：
第一步，采集各检测样本的基础信息，并以此对检测样本进行目标群体归类。具体地，所述基础信息包括但不仅限于性别信息、年龄信息、身高信息、体重信息、睡眠时间信息以及职业信息中的一种或多种，对各类基础信息进行分段划分来确定多个目标群体，使得使用者通过易于获得的基础信息被归类至对应的目标群体中，进而提升用户与决策原则间的对应准确性。
第二步，对同一目标群体内的各检测样本分别进行睡眠监测，以此获得该检测样本的睡眠时长Ti以及单帧时长为t秒的原始数据包，各检测样本对应的原始数据包数量为ji，ji＝Ti/t，各原始数据包内包括脑电数据EEG、眼电数据EOG、下颌肌电数据CEMG以及各目标肌群的肌电数据Mi-j-b。
具体地，所述原始数据包内包括t个瞬时脑电数据、瞬时眼电数据、瞬时下颌肌电数据以及各目标肌群的瞬时肌电数据，10≤t≤60，通过对瞬时脑电数据进行累加平均来获得脑电数据MEEG-i-j，通过对瞬时眼电数据进行累加平均来获得眼电数据MEOG-i-j，通过对瞬时下颌肌电数据进行累加平均来获得下颌肌电数据MCEMG-i-j，通过对各目标肌群的瞬时肌电数据累加平均获得各目标肌群的肌电数据Mi-j-b。获取瞬时脑电数据、瞬时眼电数据、瞬时下颌肌电数据以及各目标肌群的瞬时肌电数据的时间间隔为1秒，当原始数据包的时间跨度为30秒时，单个原始数据包能获得30个瞬时脑电数据、瞬时眼电数据、瞬时下颌肌电数据以及各目标肌群的瞬时肌电数据，通过将30个瞬时脑电数据累加平均获得与该原始数据包对应的脑电数据MEEG-i-j、将30个瞬时眼电数据累加平均获得与该原始数据包对应的眼电数据MEOG-i-j、将30个瞬时下颌肌电数据累加平均获得与该原始数据包对应的下颌肌电数据MCESG-i-j、将30个各目标肌群的瞬时肌电数据累加平均获得与该原始数据包对应的各目标肌群的肌电数据Mi-j-b，其中，通过调整参数b的设定值来区分不同目标肌群。
具体地，参数t可以根据实际情况进行调整，通过增大参数t来增大原始数据包的时长，通过减少原始数据包的数量来降低计算量，降低对硬件设施的要求。
第三步，根据各原始数据包内的脑电数据MEEG-i-j、眼电数据MEOG-i-j以及下颌肌电数据MCEMG-i-j将检测目标的整个睡眠过程划分为入睡潜伏期、浅睡期、深睡期、快速眼动期以及微觉醒期，并以此获得与入睡潜伏期对应的入睡潜伏期数据包的数量jsol-i和时长Tsol-i。对原始数据包内数据进行分析，将用户的整个睡眠过程划分为入睡潜伏期、浅睡期、深睡期、快速眼动期以及微觉醒期，并将入睡潜伏期对应的原始数据包定义为入睡潜伏期数据包，为用户处于入睡潜伏期时目标肌群放松效果提供评判依据。
第四步，对各入睡潜伏期数据包内各肌电数据Msol-i-j-b逐一进行平均值计算，以此获得肌电平均值M’sol-i-j-b，对各入睡潜伏期数据包内脑电数据MsolEEG-i-j逐一进行平均值计算，以此获得脑电平均值M’solEEG-i-j，利用肌电平均值M’sol-i-j-b和脑电平均值M’solEEG-i-j计算与各目标肌群对应的初级敏感系数rb，利用初级敏感系数rb计算获得与各目标肌群对应的初级显著性参数Trb，将初级显著性参数Trb与设定的初级显著性阈值T’rb比较，进而筛选出初级敏感肌群。具体地，通过以下方式获得初级敏感肌群：
首先，通过以下公式计算初级敏感系数rb，
Figure GDA0002648252460000121
通过改变参数b的赋值来获得与各目标肌群逐一对应的初级敏感系数rb，在计算是，参数b为定值，参数i和参数j为需要累加计算的变量，通过对各检测样本内与该目标肌群相关的Msol-i-j-b、M’solEEG-i-j、MsolEEG-i-j和M’sol-i-j-b带入公式，以获得b个与各目标肌群对应的初级敏感系数rb；
之后，利用参数rb计算获得与各目标肌群对应的初级敏感系数Trb，
Figure GDA0002648252460000122
将计算获得的初级敏感系数rb带入公式，以获得b个与各目标肌群对应的初级敏感系数Trb，其中，参数b为定值，用于表示不同的目标肌群；
最后，设初级显著性阈值T’rb，当Trb＞T’rb时，对应的目标肌群被设定为初级敏感肌群；具体地，通过比对初级敏感系数Trb与初级显著性阈值T’rb之间大小来判定对应的目标肌群是否能形成初级敏感肌群，例如，b值为1的目标肌群具有初级敏感系数Tr1，设定初级显著性阈值T’r1，当Tr1≥T’r1时，则b值为1的目标肌群被选定为初级敏感肌群，反之，则该目标肌群不被选定为初级敏感肌群。
第五步，对各入睡潜伏期数据包内的脑电数据EEG获得脑电平均值M’EEG-i-j，利用初级敏感肌群的Mi-j-b和脑电平均值M’EEG-i-j计算与各初级敏感肌群逐一对应的权重因子βb，获得与各初级敏感肌群逐一对应的权重显著性参数
Figure GDA0002648252460000131
将权重显著性参数
Figure GDA0002648252460000132
与设定的权重显著性阈值
Figure GDA0002648252460000133
比较，进而从初级敏感肌群中筛选出高级敏感肌群。
具体地，通过以下方式获得高级敏感肌群：
首先，通过以下方程式计算获得与初级敏感肌群逐一对应的权重因子βb，
Figure GDA0002648252460000134
其中，将各入睡潜伏期数据包内的MsolEEG-i-j以及Msol-i-j-b带入上述公式方程式以形成方程组，且未被设定为初级敏感肌群的目标肌群对应的βb设定为0，以此计算获得与初级敏感肌群数量对应的权重因子βb；由于MsolEEG-i-j代表编号为i的检测样本的第j个入睡潜伏期数据包内的脑电平均值，将所有检测样本的所有入睡潜伏期数据包包含的MsolEEG-i-j以及Msol-i-j-b分别代入上述公式，以此形成具有数量与该目标全体内所有检测样本的所有入睡潜伏期数据包数量对应列数的方程式组，通过方程式组计算获得具有不同参数b值的权重因子βb；
由于未被设定为初级敏感肌群的目标肌群对应的βb设定为0，使得公式中与初级敏感肌群无关的Msol-i-j-b会被自动删除，提升筛选准确性；
之后，利用权重系数βb计算获得与各初级敏感肌群对应的高级敏感系数Tβb，
Figure GDA0002648252460000135
通过改变参数b的赋值来获得与各初级敏感肌群逐一对应的高级敏感系数Tβb，在计算是，参数b为定值，参数i和参数j为需要累加计算的变量，通过对各检测样本内与该目标肌群相关的Msol-i-j-b、jsol-i和M’sol-i-j-b带入公式，以获得数量与初级敏感肌群数量匹配的高级敏感系数Tβb；
最后，权重显著性阈值
Figure GDA0002648252460000141
当
Figure GDA0002648252460000142
时，对应的初级敏感肌群被设定为高级敏感肌群。具体地，通过比对高级敏感系数Tβb与权重显著性阈值
Figure GDA0002648252460000143
之间大小来判定对应的目标肌群是否能形成初级敏感肌群，例如，当b值为1的目标肌群被选定为初级敏感肌群时，通过计算获得与其对应的高级敏感系数Tβb，设定权重显著性阈值
Figure GDA0002648252460000144
当
Figure GDA0002648252460000145
时，则b值为1的目标肌群被选定为高级敏感肌群，反之，则该目标肌群不被选定为高级敏感肌群。
第六步，将高级敏感肌群以对应的权重显著性参数
Figure GDA0002648252460000146
从大到小排列，以此形成目标肌群的敏感排序；权重显著性参数
Figure GDA0002648252460000147
的值越大，说明该目标肌群与紧张情绪间关联性越强，通过对高级敏感肌群实施放松操作能有效缓解紧张情绪。
具体地，按敏感排序依次对各高级敏感肌群实施放松操作，以使使用者在最短时间内实现最佳的缓解紧张情绪的效果。
第七步，所述高级敏感肌群按敏感排序被依次编号为1至a，设置与高级敏感肌群数量匹配且呈梯级状依次降低的评判阈值，放松设备按敏感排序对特定肌群逐一进行放松刺激直至脑电数据MEEG-i-j小于对应的评判阈值，记录实施放松刺激的放松时间Ta-i，对目标群体内的各检测样本的放松时间Ta-i进行累加平均计算，以此获得与该目标群体的各高级敏感肌群对应的放松时长；
具体地，通过以下步骤获得放松时长：
首先，设置a个以梯级状依次降序排列且与按敏感排序的高级敏感肌群逐一对应的评判阈值B1至Ba；
具体地，设置评判阈值Ba，6HZ≤Ba≤10HZ，，获取检测样本的睡前脑电数据MEEGbaseline-i，通过将睡前脑电数据MEEGbaseline-i与Ba间差值以与各高级敏感肌群对应的权重因子βb之比为依据获得B1至Ba-1。例如，当某一目标群体具有4个高级敏感肌群且设定B4＝8HZ时，则需要设置参数a分别赋值为1、2、3、4的B1、B2、B3、B4，设定检测样本的睡前脑电数据MEEGbaseline-i＝13HZ，且与各高级敏感肌群对应的权重因子之比为β1：β2：β3：β4＝9:7:6:4，则：
Figure GDA0002648252460000151
Figure GDA0002648252460000152
Figure GDA0002648252460000153
之后，按敏感排序对各高级敏感肌群进行逐一放松刺激，当对应入睡潜伏期数据包内的脑电数据MEEG-i-j小于与当前高级敏感肌群对应的评判阈值时转为对下一高级敏感肌群实施放松刺激，以此循环并依次对各高级敏感肌群完成放松刺激后，记录各高级敏感肌群实施放松刺激的放松时间并依次记录为T1-i至Ta-i；
具体地，所述原始数据包内包括t个瞬时脑电数据，当瞬时脑电数据中小于对应评判阈值的比例大于等于50％时，结束对当前高级敏感肌群的放松刺激并转为对下一高级敏感肌群实施放松刺激；
具体地，在对编号为i的检测样本实施放松操作时，对敏感排序内第一位的高级敏感肌群进行放松操作，同时检测检测样本的脑电数据MEEG-i-j，当对应的入睡潜伏期数据包内超过50％的瞬时脑电数据小于B1时，放松设备转为敏感排序内第二位的高级敏感肌群进行放松操作，同时记录对敏感排序内第一位的高级敏感肌群的放松时长T1-i，分别利用B2、B3、B4来获得T2-i、T3-i、T4-i，为计算针对敏感排序内第一位高级敏感肌群的放松时长提供数据；
最后，通过将各检测样本内的T1-i至Ta-i分别进行累加平均计算，以获得与该目标群体各高级敏感肌群逐一对应的放松时长T’1至T’a。将各检测样本内与敏感排序第一位高级敏感肌群对应的检测时间进行累加平均计算，以此获得与该目标群体的敏感排序第一位高级敏感肌群对应的放松时长T’1，重复上述计算，以获得与该目标群体的敏感排序第二、三、四位高级敏感肌群分别对应的放松时长T’2、T’3、T’4。
第八步，将对应的目标群体基础信息、目标肌群的敏感排序以及放松时长Tsol-a匹配关联并形成保存在所述肌群放松模型数据库内的肌群放松数据包。
通过上述步骤获得与该目标群体对应的肌群放松数据包，所述肌群放松数据包包括具有敏感排序的高级敏感肌群以及与各高级敏感肌群对应的放松时长，方便系统通过调取上述数据来控制放松设备对用户实施放松操作。

Claims (7)

1.一种带肌群放松模型数据库的系统，其特征在于，包括：
数据采集器，通过便携式设备获取基础信息；
肌群放松模型数据库，存储有多组与各目标群体逐一对应的基础信息以及肌群放松数据包，各组目标群体间具有差异的基础信息，所述肌群放松数据包包含目标肌群的敏感排序以及对应的放松时长；
处理器，接收来自数据采集器的基础信息，根据用户的基础信息在肌群放松模型数据库内获得对应的肌群放松数据包，进而控制放松设备运行；
放松设备，按肌群放松数据包内的敏感排序对目标肌群进行满足放松时长的放松刺激；
所述系统在运行时，通过以下步骤实现：
首先，利用数据采集器对用户进行基础信息采集，并将基础信息传输至处理器中；
之后，处理器接收基础信息并与肌群放松模型数据库内各目标群体的基础信息进行对比，以此将用户归类至对应的目标群体中，并获得对应的肌群放松数据包；
最后，处理器在获取肌群放松数据包内的目标肌群敏感排序以及各目标肌群放松时长，进而利用放松设备对用户进行放松刺激；
在构建所述肌群放松模型数据库时，各组目标群体包括至少一个检测样本，对同一目标群体内的检测样本进行依次编号为1至i，对各目标肌群依次编号为1至b，并通过以下方式获得基础信息：
第一步，采集各检测样本的基础信息，并以此对检测样本进行目标群体归类；
第二步，对同一目标群体内的各检测样本分别进行睡眠监测，以此获得该检测样本的睡眠时长Ti以及单帧时长为t秒的原始数据包，各检测样本对应的原始数据包数量为ji，ji＝Ti/t，各原始数据包内包括脑电数据MEEG-i-j、眼电数据MEOG-i-j、下颌肌电数据MCEMG-i-j以及各目标肌群的肌电数据Mi-j-b；
第三步，根据各原始数据包内的脑电数据MEEG-i-j、眼电数据MEOG-i-j以及下颌肌电数据MCEMG-i-j将检测目标的整个睡眠过程划分为入睡潜伏期、浅睡期、深睡期、快速眼动期以及微觉醒期，并以此获得与入睡潜伏期对应的入睡潜伏期数据包的数量jsol-i和时长Tsol-i；
第四步，对各入睡潜伏期数据包内各肌电数据Msol-i-j-b逐一进行平均值计算，以此获得肌电平均值M’sol-i-j-b，对各入睡潜伏期数据包内脑电数据MsolEEG-i-j逐一进行平均值计算，以此获得脑电平均值M’solEEG-i-j，利用肌电平均值M’sol-i-j-b和脑电平均值M’solEEG-i-j计算与各目标肌群对应的初级敏感系数rb，利用初级敏感系数rb计算获得与各目标肌群对应的初级显著性参数
Figure FDA00033931478400000212
将初级显著性参数
Figure FDA00033931478400000211
与设定的初级显著性阈值
Figure FDA00033931478400000210
比较，进而筛选出初级敏感肌群，具体地，通过以下方式获得初级敏感肌群：
首先，通过以下公式计算初级敏感系数rb，
Figure FDA0003393147840000021
之后，利用参数rb计算获得与各目标肌群对应的初级显著性参数
Figure FDA0003393147840000022
Figure FDA0003393147840000023
最后，设初级显著性阈值
Figure FDA0003393147840000024
当
Figure FDA0003393147840000025
时，对应的目标肌群被设定为初级敏感肌群；
第五步，利用初级敏感肌群的Mi-j-b和脑电平均值M’solEEG-i-j计算与各初级敏感肌群逐一对应的权重因子βb，获得与各初级敏感肌群逐一对应的权重显著性参数
Figure FDA0003393147840000026
将权重显著性参数
Figure FDA0003393147840000027
与设定的权重显著性阈值
Figure FDA0003393147840000028
比较，进而从初级敏感肌群中筛选出高级敏感肌群，具体地，通过以下方式获得高级敏感肌群：
首先，通过以下方程式计算获得与初级敏感肌群逐一对应的权重因子βb，
Figure FDA0003393147840000029
其中，将各入睡潜伏期数据包内的M’solEEG-i-j以及Mi-j-b带入上述公式方程式以形成方程组，且未被设定为初级敏感肌群的目标肌群对应的βb设定为0，以此计算获得与初级敏感肌群数量对应的权重因子βb，
之后，利用权重系数βb计算获得与各初级敏感肌群对应的高级敏感系数Tβb，
Figure FDA0003393147840000031
最后，权重显著性阈值
Figure FDA0003393147840000032
当
Figure FDA0003393147840000033
时，对应的初级敏感肌群被设定为高级敏感肌群；
第六步，将高级敏感肌群以对应的权重显著性参数
Figure FDA0003393147840000034
从大到小排列，以此形成目标肌群的敏感排序；
第七步，所述高级敏感肌群按敏感排序被依次编号为1至a，设置与高级敏感肌群数量匹配且呈梯级状依次降低的评判阈值，放松设备按敏感排序对特定肌群逐一进行放松刺激直至脑电数据MEEG-i-j小于对应的评判阈值，记录实施放松刺激的放松时间Ta-i，对目标群体内的各检测样本的放松时间Ta-i进行累加平均计算，以此获得与该目标群体的各高级敏感肌群对应的放松时长；
第八步，将对应的目标群体基础信息、目标肌群的敏感排序以及放松时长Ta-i匹配关联并形成保存在所述肌群放松模型数据库内的肌群放松数据包。
2.根据权利要求1所述的一种带肌群放松模型数据库的系统，其特征在于，所述原始数据包内包括t个瞬时脑电数据、瞬时眼电数据、瞬时下颌肌电数据以及各目标肌群的瞬时肌电数据，10≤t≤60，通过对瞬时脑电数据进行累加平均来获得脑电数据MEEG-i-j，通过对瞬时眼电数据进行累加平均来获得眼电数据MEOG-i-j，通过对瞬时下颌肌电数据进行累加平均来获得下颌肌电数据MCEMG-i-j，通过对各目标肌群的瞬时肌电数据累加平均获得各目标肌群的肌电数据Mi-j-b。
3.根据权利要求1所述的一种带肌群放松模型数据库的系统，其特征在于，在第七步，通过以下步骤获得放松时长：
首先，设置a个以梯级状依次降序排列且与按敏感排序的高级敏感肌群逐一对应的评判阈值B1至Ba；
之后，按敏感排序对各高级敏感肌群进行逐一放松刺激，当对应入睡潜伏期数据包内的脑电数据MEEG-i-j小于与当前高级敏感肌群对应的评判阈值时转为对下一高级敏感肌群实施放松刺激，依次对各高级敏感肌群完成放松刺激后，记录各高级敏感肌群实施放松刺激的放松时间并依次记录为T1-i至Ta-i；
最后，通过将各检测样本内的T1-i至Ta-i分别进行累加平均计算，以获得与该目标群体各高级敏感肌群逐一对应的放松时长T’1至T’a。
4.根据权利要求3所述的一种带肌群放松模型数据库的系统，其特征在于，设置评判阈值Ba，6HZ≤Ba≤10HZ获取检测样本的睡前脑电数据MEEGbaseline-i，通过将睡前脑电数据MEEGbaseline-i与Ba间差值与各高级敏感肌群对应的权重因子βb之比来计算获得B1至Ba-1。
5.根据权利要求3所述的一种带肌群放松模型数据库的系统，其特征在于，所述原始数据包内包括t个瞬时脑电数据，当瞬时脑电数据中小于对应评判阈值的比例大于等于50％时，结束对当前高级敏感肌群的放松刺激并转为对下一高级敏感肌群实施放松刺激。
6.根据权利要求1-5任一项所述的一种带肌群放松模型数据库的系统，其特征在于，所述目标肌群包括颞肌肌电、额肌肌电、眼轮匝肌肌电、咀嚼肌肌电、口轮匝肌肌电、胸锁乳突肌肌电、斜方肌肌电、三角肌肌电、胸大肌肌电、肱三头肌肌电、肱二头肌肌电、前锯肌肌电、肱桡肌肌电、旋前圆肌肌电、手臂屈肌肌电、手指屈肌肌电、腹直肌肌电、阔筋膜张肌肌电、髂腰肌肌电、耻骨肌肌电、股薄肌肌电、缝匠肌肌电、股四头肌肌电、内收长肌肌电、腓肠肌肌电、比目鱼肌肌电、腓肌肌电、胫骨前肌肌电中的一个或多个，并被依次编号为1至b。
7.根据权利要求1-5任一项所述的一种带肌群放松模型数据库的系统，其特征在于，所述放松设备为电极贴，电极贴的数量与高级敏感肌群数量匹配，所述电极贴被依次编号并可依次启停切换，使用时，将电极贴按敏感排序依次贴合在高级敏感肌群上，实现按敏感排序对各高级敏感肌群依次实施放松刺激；或者，所述放松设备为按摩仪，按摩仪具有与所述高级敏感肌群逐一对应的按摩部。
CN202010360834.9A 2020-04-30 2020-04-30 一种带肌群放松模型数据库的系统 Active CN113257427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010360834.9A CN113257427B (zh) 2020-04-30 2020-04-30 一种带肌群放松模型数据库的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010360834.9A CN113257427B (zh) 2020-04-30 2020-04-30 一种带肌群放松模型数据库的系统

Publications (2)

Publication Number Publication Date
CN113257427A CN113257427A (zh) 2021-08-13
CN113257427B true CN113257427B (zh) 2022-02-18

Family

ID=77220007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010360834.9A Active CN113257427B (zh) 2020-04-30 2020-04-30 一种带肌群放松模型数据库的系统

Country Status (1)

Country Link
CN (1) CN113257427B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103920285B (zh) * 2014-05-08 2016-08-24 深圳泰山体育科技股份有限公司 科学健身馆、科学健身系统以及科学健身方法
CN108784127A (zh) * 2018-06-14 2018-11-13 深圳市三分之睡眠科技有限公司 一种用于床的自动调节方法和智能控制床

Also Published As

Publication number Publication date
CN113257427A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
WO2021203719A1 (zh) 结合脑电检测分析控制的声电刺激神经调控方法及装置
Watson et al. Network homeostasis and state dynamics of neocortical sleep
McFarland et al. Sensorimotor rhythm-based brain-computer interface (BCI): feature selection by regression improves performance
CN102319067B (zh) 用于大脑记忆功能改善的基于脑电信号的神经反馈训练仪
JP3310498B2 (ja) 生体情報解析装置および生体情報解析方法
CN204931634U (zh) 基于生理信息的抑郁症评估系统
DE112018003005T5 (de) Ermüdungserholungsunterstützungsvorrichtung
Li et al. The recognition of multiple anxiety levels based on electroencephalograph
CN108836328A (zh) 一种用于肌电信号监测及产生相应电刺激信号的设备
CN110314270A (zh) 一种基于云服务器的失眠治疗系统及失眠治疗仪
CN112353368A (zh) 一种基于反馈调节的多输入信号癫痫发作检测系统
CN106510702B (zh) 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别系统及方法
CN105125186B (zh) 一种确定干预治疗方式的方法及系统
CN107660035A (zh) 具有轮班适应性的工作场所健康光环境调控方法及系统
Xu et al. Fatigue EEG feature extraction based on tasks with different physiological states for ubiquitous edge computing
CN107957780A (zh) 一种基于稳态视觉诱发电位生理特性的脑机接口系统
CN115206484A (zh) 一种脑卒中康复训练系统
CN113257427B (zh) 一种带肌群放松模型数据库的系统
CN110584611A (zh) 一种节能效果好的睡眠监测系统
CN103690281B (zh) 一种脑电波控制假肢系统
CN112294263B (zh) 一种基于脑波频率的非稳定睡眠状态评估方法模型
CN115381413B (zh) 一种自适应的双模态情绪调节方法与系统
CN112295077A (zh) 一种敏感因素数据库的构建方法及使用其的助眠系统
CN110321856A (zh) 一种时频多尺度散度csp的脑机接口方法及装置
CN112656430A (zh) 基于站立位失衡诱发脑电的卒中平衡康复评估方法

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