CN113288168A - 一种智能可穿戴疲劳监测及预警系统 - Google Patents
一种智能可穿戴疲劳监测及预警系统 Download PDFInfo
- Publication number
- CN113288168A CN113288168A CN202110556106.XA CN202110556106A CN113288168A CN 113288168 A CN113288168 A CN 113288168A CN 202110556106 A CN202110556106 A CN 202110556106A CN 113288168 A CN113288168 A CN 113288168A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- module
- early warning
- monitoring
- warning system
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000000747 cardiac effect Effects 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 2
- 241001364929 Havel River virus Species 0.000 claims 3
- 238000010276 construction Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004962 physiological condition Effects 0.000 description 2
- 210000001186 vagus nerve Anatomy 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 210000000467 autonomic pathway Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种智能可穿戴疲劳监测及预警系统,包括可穿戴信号采集模块、疲劳等级量化评估模块、蓝牙无线数据传输模块;所述疲劳等级量化评估模块包括预处理模块、数据分析模块;所述可穿戴信号采集模块采集心电信号并通过蓝牙无线数据传输模块发送至疲劳等级量化评估模块,所述疲劳等级量化评估模块通过预处理模块对心电信号进行预处理,通过数据分析模块提取心率变异性并分析HRV特征信号,通过数学建模建立识别算法,对疲劳状态进行识别。本发明通过系统的搭建将心电检测与人体疲劳状态识别集于一体。能在日常生活中实时监测穿戴者的疲劳状态,将心电信号与人体状态结合起来,实现疲劳程度的精准监测和预警,对人的主观状态进行客观化评价。
Description
技术领域
本发明属于生物医学信号检测和处理领域,特别涉及一种智能可穿戴疲劳监测及预 警系统。
背景技术
心电信号直观地反映了心脏电兴奋在传导系统中的产生和传导过程,可在一定程度 上客观地反映心脏各部位的生理状况,是诊断心脏疾病和评价心脏功能的重要依据之一。 上海交通大学的杨渝书等采集16名被测试者在实验室模拟驾驶操作90分钟的心电信号, 并对实验开始和结束时的15分钟时段心电信号的7项时频域指标进行分析,发现有4项心电时频域指标与疲劳程度明显相关。可穿戴技术的发展进—步推进了智能心电信号监测设备的普及。穿戴式生理监测设备主要涉及到传感技术、无线通信技术和信号处理技 术等,具有低负荷、操作简便、可移动、持续监测、无线传输和异常生理状况报警等功能, 能够监测人体多种生理信号,提供全天实时健康状态监测并将数据上传至监测系统。
自1903年心电之父Einthoven应用弦线电流计从体表记录心电信号以来,心电图作 为心血管疾病诊断的重要手段已经有几百年的历史。在此期间,随着心电采集技术的不断完善,心电信号的各种新的分析方法也不断出现。卡梅隆大学的Minh等人建立了以支 持向量机为分类器的疲劳量模型,并通过实验证明了支持向量机算法模型识别疲劳的稳 定性以及具有更高的识别率。印度SRM大学Dennis Joe Harmah和Kathirvelu D 与中国台湾清华大学Chun-Chieh Chan等分别开发了基于Android平台的移动心电健 康监测平台。心电检测装置和Android平台通过蓝牙进行传输数据,将获得的ECG数 据展现在Android设备上。Android平台与后台服务器通过3G和WiFi两种方式进行 交互,后台可以对ECG进一步分析。
近年来,人工智能技术得到了飞速的发展。大数据库的建立,结合高效计算机和云计算平台,再辅以可穿戴设备,人工智能对心电图能够进行自我学习并智能分析。高效 准确地给出诊断,在常见心律失常的预警、筛查和临床诊断上都有广阔的应用。计算机 技术对于心电数据往往比医师有着更高的灵敏度,能够发现医师不能发现和理解的特点。 利用AI对心电图高精度的自我学习并进行分类,能够辅助诊断甚至预测未来可能会发 生的心律失常,并辅助监测患者在院及出院心律,这对于未来心律失常患者的诊断及监 测意义重大。
穿戴式技术具有光明的前景,随着相关技术和产业化的逐步成熟,穿戴式心电监测 必将带来传统心电监测形态的重大变革,人工分析心电图,工作量大,把一些简单、常见的心电图交给电脑分析,就能够大大提高心电专家的工作效率。从心血管病的远程监护,发展到远程心脏病、糖尿病、脑血管病、高血压、呼吸与睡眠功能障碍等的临床联 合监护,可以成为我国慢性病防治和管理的一项重要手段。在提升国民生命健康水平等 方面发挥越来越重要的作用,穿戴式心电监测技术的进步将为构建精准的现代化智能医 疗模式做出重要贡献。
发明内容
针对上述问题,本发明提出了一种智能可穿戴疲劳监测及预警系统,解决无法实时 监测以及人工分析心电图工作量大、效率低的问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种智能可穿戴疲劳监测及预警系统,包括可穿戴信号采集模块、疲劳等级量化评 估模块、蓝牙无线数据传输模块;所述疲劳等级量化评估模块包括预处理模块、数据分析模块;所述可穿戴信号采集模块采集心电信号并通过蓝牙无线数据传输模块发送至疲劳等级量化评估模块,所述疲劳等级量化评估模块通过预处理模块对心电信号进行预处理,通过数据分析模块提取心率变异性并分析HRV特征信号,通过数学建模建立识别算 法,对疲劳状态进行识别。
进一步的,所述可穿戴信号采集模块为包括心电电极贴片及与其连接的心电检测设 备。
进一步的,所述蓝牙无线数据传输模块信号连接家用计算机和/或移动监控终端。
进一步的,所述预处理模块先对心电信号进行滤波处理,滤波处理后的心电信号选 用小波变换的方法进行预处理。
进一步的,所述数据分析模块分析HRV特征信号采用线性分析法和/或非线性分析法。
更进一步的,所述线性分析法采用时域分析和频域分析。
更进一步的,所述非线性分析法采用散点图分析、时频分析及定量描述混沌的参数: 李雅普诺夫指数、测度熵、复杂度、预测度。
再进一步的,所述散点图是HRV的相对空间轨迹,采用以相邻两个心动周期的前一个RR间期长度RRi为横坐标,以后一个RR间期RRi+1为纵坐标,正常的散点图呈现彗 星状,病态的散点图为不规则型。
进一步的,所述数据分析模块采用机器学习算法对疲劳状态进行识别,通过心率变 异性各特征参数和疲劳等级主观量表之间的关系建立模型。
更进一步的,以受试者的历史心电或不同疲劳状态的心电数据库作为建模集,通过 建立的模型对新采集的心电数据进行疲劳等级的评估和预测;建模过程以建模集的心率 变异性各特征参数为输入向量,以疲劳等级标签为输出特征,使用机器学习算法建立相应的输入与输出之间的关系模型;进一步将预测集心率变异性特征参数代入模型,即可 实现对疲劳等级的分类和量化识别。
与现有技术相比,本发明具有如下的有益效果:
(1)本发明提供了一种基于心电信号的人体疲劳监测系统,通过系统的搭建将心电 检测与人体疲劳状态识别集于一体。能够在日常生活中实时监测穿戴者的疲劳状态,将心电信号与人体状态结合起来;
(2)本发明采用单导可穿戴心电信号采集方式,在实现实时监测佩戴者的心电情况 同时提升舒适感与方便程度。
(3)本发明采集受试者不同状态下的心电信号,并对所提取的心率变异性特征值对 比分析,构建分类模型,以实现度疲劳的精准监测和预警;
(4)本发明将检测到的心电信号通过计算机、建模等数据分析,监测并预警人体的疲劳状态,对人的主观状态进行客观化评价,在医学监护等方面具有重要的研究意义和 应用前景。
附图说明
图1为本发明实施例的系统设备示意图;
图2为本发明实施例的系统结构流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互 组合。
为使本发明专利的目的、特征更明显易懂,下面结合附图对本发明专利的具体实施 方式作进一步的说明。需说明的是,附图均采用非常简化的形式且均使用非精准的比率, 仅用以方便、明晰地辅助说明本发明专利实施例的目的。
为了随时检测人体的心电信号,并通过计算机、建模等数据分析及时预警人体的疲 劳状态,本发明实施例提供了一种智能可穿戴疲劳监测及预警系统。
本发明系统设备参见图1,系统流程参见图2。其中可穿戴信号采集模块包括心电电 极贴片及与其连接的基于ADS129X系列芯片的心电检测设备,用于采集被测者分别在不同时长学习状态下的心电信号;心电检测设备设有显示屏和参数调节部,可对设备参数 进行随时调节;在进行疲劳监测时,被测试者端坐在椅子上,将心电电极贴片贴于胸前, 完成对心电信号的有效采集与存储。
可穿戴信号采集模块通过蓝牙无线数据传输模块对采集的心电信号进行传输,蓝牙 无线数据传输模块采用蓝牙无线数据传输方式将所述的心电信号数据传输到家用计算机 上和/或移动监控终端,家用计算机上和/或移动监控终端设置疲劳等级量化评估模块,通过疲劳等级量化评估模块对心电信号数据进行识别,若达到预警值,则系统发出疲劳 预警。采用蓝牙数据传输效果好、可靠性和准确性得到保证,且充分体现蓝牙低功耗优 势,降低数据传输时的电源功耗和解决有线数据传输所造成的不便优化设计。蓝牙无线数 据传输模块采用集成化元器件,充分利用智能化器件完成信号的显示、存储和实时传输。
所述疲劳等级量化评估模块包括预处理模块、数据分析模块;通过预处理模块对心 电信号进行预处理,通过数据分析模块提取心率变异性并分析HRV特征信号,通过数学建模建立识别算法,对疲劳状态进行识别。
其中预处理模块对心电信号进行预处理,目的是在提取心率变异性之前,要实现排 除或抑制干扰信号。先对心电信号进行滤波,可以采用软件滤波处理或采用硬件电路系统进行滤波处理,例如使用低通陷波滤波,截止频率为11HZ;滤波处理后的心电信号的 噪声主要是基线漂移、肌电干扰,可选用小波变换的方法对心电信号进行预处理。
所述数据分析模块首先根据预处理后的心电信号提取心率变异性并分析HRV特征信 号,从而反映出生理特征。通过对心率变异性特征参数的提取进行研究,能够计算出心率变异性时域、频域、时频域等40个参数。HRV的特征值分析主要分为线性分析法和非 线性分析法。
常用的线性分析法为时域分析和频域分析,时域分析是对RR间隔的序列信号,根据 经验方法清除误差于干扰,直接获取所需的ECG信号的平均值、标准差等,可以对自主神经系统对心率的调节做出较为直观的评价,是一种比较易操作和直接的方法;频域分 析是对RR间隔的序列信号变换到频域上,频谱成分可以反映自主神经的活动,高频(HF) 反映迷走神经的信息,低频(LF)反映迷走神经和交感神经共同作用的信息。
HRV的非线性分析可以反映心脏每次搏动的瞬时变化。分析方法有散点图分析、时频分析及定量描述混沌的参数:李雅普诺夫指数、测度熵、复杂度、预测度。散点图是HRV 的相对空间轨迹,以相邻两个心动周期的前一个RR间期长度RRi(ms)为横坐标,以后一 个RR间期RRi+1(ms)为纵坐标,正常的散点图呈现彗星状,病态的散点图为不规则型。 所以通过基于pan_tompkin算法的阈值化方法对R峰进行识别,计算RR间期是关键。
所述数据分析模块还通过数学算法建立识别模型,从而建立HR、HRV参数与人体疲劳状态间的映射关系;所述算法可采用支持向量机、神经网络等机器学习算法;本实施 例采用SVM机器学习算法对疲劳状态进行识别,通过心率变异性各特征参数和疲劳等级 主观量表之间的关系建立模型,以实现疲劳监测和预警的目的。在采用支持向量机中用 高斯核函数对数据特征进行三分类,分别表示正常,疲劳,睹睡三种不同程度的精神状 态。
SVM机器学习算法的基本思想是求解能够正确划分训练数据集并且几何间隔最大的 分离超平面,SVM的的学习策略就是间隔最大化,本实施例中SVM算法的具体操作步骤如下:
以不同的心电特征作为横坐标,不同的时间段作为纵坐标将选取的特征值数据放入 数据表中,在该数据表后加入一列设置的与心电数据对应的不同疲劳等级标签,然后在matlab中载入该数据,使用libsvm工具箱将数据表中数据部分和标签部分设置好。然后,将数据表前x行设置为训练集,后y行设置为预测集;
执行程序后,程序将对所有数据进行归一化处理,随后使用svmtrain函数建立模型, SVM参数中的核函数类型为多项式,损失函数和核函数中的gamma函数这两个参数通过程 序的循环比较将自动选择最优的结果,选择完成后,会生成训练集的SVM模型,并给出训练集的精确度(训练对的标签/总标签数)。
随后,预测集中的心电数据将被读取,并通过前面建立的SVM模型预测出相应的疲劳等级标签,并与预测集的真实标签进行比较,给出预测的精确度(预测对的标签/总标 签数)和结果参数。
数据处理:将心电数据直接放入数据表中;对心电数据做如下处理:绝对值(特征值-该类型特征值在该疲劳等级下对应平均值)/平均值后,放入数据表内;不做三分类, 进行不同疲劳等级间的二分类,而比较不同疲劳等。
数据分析模块所构建的模型可以对生理数据进行识别,若达到预警值,则系统发出 疲劳预警。
上述方案中,SVM算法还可以用KNN算法或SAE算法替代。
综上所述,本发明实施例提供了一种智能可穿戴疲劳监测及预警系统,采用单导可穿 戴心电信号采集方式及对应的便携式装置,改善了国际上12导联心电图仪器体积较大, 不便随身携带的缺点。通过系统的搭建将心电检测与人体疲劳状态识别集于一体,在实 现实时监测佩戴者的心电情况同时提升舒适感与方便程度。除此之外,本发明实施例对所提取的心率变异性特征值对比分析以构建支持向量机等多种分类模型,以实现疲劳的精准监测和预警。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神 和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能可穿戴疲劳监测及预警系统,其特征在于,包括可穿戴信号采集模块、疲劳等级量化评估模块、蓝牙无线数据传输模块;所述疲劳等级量化评估模块包括预处理模块、数据分析模块;所述可穿戴信号采集模块采集心电信号并通过蓝牙无线数据传输模块发送至疲劳等级量化评估模块,所述疲劳等级量化评估模块通过预处理模块对心电信号进行预处理,通过数据分析模块提取心率变异性并分析HRV特征信号,通过数学建模建立识别算法,对疲劳状态进行识别。
2.根据权利要求1所述的智能可穿戴疲劳监测及预警系统,其特征在于,所述可穿戴信号采集模块为包括心电电极贴片及与其连接的心电检测设备。
3.根据权利要求1所述的智能可穿戴疲劳监测及预警系统,其特征在于,所述蓝牙无线数据传输模块信号连接家用计算机和/或移动监控终端。
4.根据权利要求1所述的智能可穿戴疲劳监测及预警系统,其特征在于,所述预处理模块先对心电信号进行滤波处理,滤波处理后的心电信号选用小波变换的方法进行预处理。
5.根据权利要求1所述的智能可穿戴疲劳监测及预警系统,其特征在于,所述数据分析模块分析HRV特征信号采用线性分析法和/或非线性分析法。
6.根据权利要求5所述的智能可穿戴疲劳监测及预警系统,其特征在于,所述线性分析法采用时域分析和频域分析。
7.根据权利要求5所述的智能可穿戴疲劳监测及预警系统,其特征在于,所述非线性分析法采用散点图分析、时频分析及定量描述混沌的参数:李雅普诺夫指数、测度熵、复杂度、预测度。
8.根据权利要求7所述的智能可穿戴疲劳监测及预警系统,其特征在于,所述散点图是HRV的相对空间轨迹,采用以相邻两个心动周期的前一个RR间期长度RRi为横坐标,以后一个RR间期RRi+1为纵坐标,正常的散点图呈现彗星状,病态的散点图为不规则型。
9.根据权利要求1所述的智能可穿戴疲劳监测及预警系统,其特征在于,所述数据分析模块采用机器学习算法对疲劳状态进行识别,通过心率变异性各特征参数和疲劳等级主观量表之间的关系建立模型。
10.根据权利要求1或9所述的智能可穿戴疲劳监测及预警系统,其特征在于,以受试者的历史心电或不同疲劳状态的心电数据库作为建模集,通过建立的模型对新采集的心电数据进行疲劳等级的评估和预测;建模过程以建模集的心率变异性各特征参数为输入向量,以疲劳等级标签为输出特征,使用机器学习算法建立相应的输入与输出之间的关系模型;进一步将预测集心率变异性特征参数代入模型,即可实现对疲劳等级的分类和量化识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556106.XA CN113288168A (zh) | 2021-05-21 | 2021-05-21 | 一种智能可穿戴疲劳监测及预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556106.XA CN113288168A (zh) | 2021-05-21 | 2021-05-21 | 一种智能可穿戴疲劳监测及预警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113288168A true CN113288168A (zh) | 2021-08-24 |
Family
ID=77323486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110556106.XA Pending CN113288168A (zh) | 2021-05-21 | 2021-05-21 | 一种智能可穿戴疲劳监测及预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113288168A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113892954A (zh) * | 2021-09-30 | 2022-01-07 | 联想(北京)有限公司 | 一种可穿戴心电监测设备和信息确定方法 |
CN114343642A (zh) * | 2021-10-22 | 2022-04-15 | 厦门大学 | 一种基于心率变异性指标的疲劳驾驶检测方法、系统 |
CN115211865A (zh) * | 2022-07-25 | 2022-10-21 | 深圳市太美亚电子科技有限公司 | 一种多物理场疲劳干预方法和装置 |
CN116616708A (zh) * | 2023-05-22 | 2023-08-22 | 深圳市腾进达信息技术有限公司 | 一种基于智能穿戴设备的生命体征数据处理方法和系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103021134A (zh) * | 2012-12-10 | 2013-04-03 | 郭文浩 | 汽车疲劳驾驶监测报警装置 |
CN203102530U (zh) * | 2012-12-03 | 2013-07-31 | 长安大学 | 一种客车疲劳驾驶预警装置 |
CN103815896A (zh) * | 2014-01-22 | 2014-05-28 | 东软熙康健康科技有限公司 | 一种精神疲劳监测方法、装置、系统及移动处理终端 |
US20150120017A1 (en) * | 2013-10-24 | 2015-04-30 | JayBird LLC | System and method for identifying fitness cycles |
US20160270718A1 (en) * | 2013-10-09 | 2016-09-22 | Resmed Sensor Technologies Limited | Fatigue monitoring and management system |
CN106691474A (zh) * | 2016-11-25 | 2017-05-24 | 中原电子技术研究所(中国电子科技集团公司第二十七研究所) | 融合脑电信号与生理信号的疲劳检测系统 |
CN107679762A (zh) * | 2017-10-20 | 2018-02-09 | 易维太古(北京)健康管理有限公司 | 一种基于企业员工体况信息融合的健康评价商业模式 |
CN108852380A (zh) * | 2018-07-09 | 2018-11-23 | 南京邮电大学 | 基于ecg信号的疲劳、情绪分析方法 |
CN108852377A (zh) * | 2018-04-13 | 2018-11-23 | 中国科学院苏州生物医学工程技术研究所 | 基于多生理参数的人体运动性疲劳监测系统 |
US20190099121A1 (en) * | 2016-12-02 | 2019-04-04 | Beijing Pins Medical Co., Ltd | Heart rate variability analysis method, device and use thereof |
CN109998522A (zh) * | 2019-02-27 | 2019-07-12 | 东南大学 | 一种基于穿戴式动态心电的运动负荷检测装置及方法 |
CN110796207A (zh) * | 2019-11-08 | 2020-02-14 | 中南大学 | 一种疲劳驾驶检测方法及系统 |
CN110916631A (zh) * | 2019-12-13 | 2020-03-27 | 东南大学 | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 |
CN110916647A (zh) * | 2019-12-11 | 2020-03-27 | 郑州轻工业大学 | 面向多场景的可穿戴心电监测与心律失常远程实时诊断装置 |
-
2021
- 2021-05-21 CN CN202110556106.XA patent/CN113288168A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203102530U (zh) * | 2012-12-03 | 2013-07-31 | 长安大学 | 一种客车疲劳驾驶预警装置 |
CN103021134A (zh) * | 2012-12-10 | 2013-04-03 | 郭文浩 | 汽车疲劳驾驶监测报警装置 |
US20160270718A1 (en) * | 2013-10-09 | 2016-09-22 | Resmed Sensor Technologies Limited | Fatigue monitoring and management system |
US20150120017A1 (en) * | 2013-10-24 | 2015-04-30 | JayBird LLC | System and method for identifying fitness cycles |
CN103815896A (zh) * | 2014-01-22 | 2014-05-28 | 东软熙康健康科技有限公司 | 一种精神疲劳监测方法、装置、系统及移动处理终端 |
CN106691474A (zh) * | 2016-11-25 | 2017-05-24 | 中原电子技术研究所(中国电子科技集团公司第二十七研究所) | 融合脑电信号与生理信号的疲劳检测系统 |
US20190099121A1 (en) * | 2016-12-02 | 2019-04-04 | Beijing Pins Medical Co., Ltd | Heart rate variability analysis method, device and use thereof |
CN107679762A (zh) * | 2017-10-20 | 2018-02-09 | 易维太古(北京)健康管理有限公司 | 一种基于企业员工体况信息融合的健康评价商业模式 |
CN108852377A (zh) * | 2018-04-13 | 2018-11-23 | 中国科学院苏州生物医学工程技术研究所 | 基于多生理参数的人体运动性疲劳监测系统 |
CN108852380A (zh) * | 2018-07-09 | 2018-11-23 | 南京邮电大学 | 基于ecg信号的疲劳、情绪分析方法 |
CN109998522A (zh) * | 2019-02-27 | 2019-07-12 | 东南大学 | 一种基于穿戴式动态心电的运动负荷检测装置及方法 |
CN110796207A (zh) * | 2019-11-08 | 2020-02-14 | 中南大学 | 一种疲劳驾驶检测方法及系统 |
CN110916647A (zh) * | 2019-12-11 | 2020-03-27 | 郑州轻工业大学 | 面向多场景的可穿戴心电监测与心律失常远程实时诊断装置 |
CN110916631A (zh) * | 2019-12-13 | 2020-03-27 | 东南大学 | 基于可穿戴生理信号监测的学生课堂学习状态评测系统 |
Non-Patent Citations (2)
Title |
---|
孙京霞,白延强: "心率变异性分析方法的研究进展", 《航天医学与医学工程》 * |
黄诗童: "基于可穿戴式心电仪传感数据的人体疲劳状态研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113892954A (zh) * | 2021-09-30 | 2022-01-07 | 联想(北京)有限公司 | 一种可穿戴心电监测设备和信息确定方法 |
CN114343642A (zh) * | 2021-10-22 | 2022-04-15 | 厦门大学 | 一种基于心率变异性指标的疲劳驾驶检测方法、系统 |
CN115211865A (zh) * | 2022-07-25 | 2022-10-21 | 深圳市太美亚电子科技有限公司 | 一种多物理场疲劳干预方法和装置 |
CN116616708A (zh) * | 2023-05-22 | 2023-08-22 | 深圳市腾进达信息技术有限公司 | 一种基于智能穿戴设备的生命体征数据处理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230293025A1 (en) | Seizure detection methods, apparatus, and systems using an autoregression algorithm | |
EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
Oresko et al. | A wearable smartphone-based platform for real-time cardiovascular disease detection via electrocardiogram processing | |
CN102138789B (zh) | 一种动态心电和运动记录与分析系统 | |
US20180008159A1 (en) | System and method of remote ecg monitoring, remote disease screening, and early-warning system based on wavelet analysis | |
EP2688468B1 (en) | Apparatus and method for measuring physiological signal quality | |
CN113288168A (zh) | 一种智能可穿戴疲劳监测及预警系统 | |
Jin et al. | Predicting cardiovascular disease from real-time electrocardiographic monitoring: An adaptive machine learning approach on a cell phone | |
Mei et al. | Automatic atrial fibrillation detection based on heart rate variability and spectral features | |
EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
CN111084618A (zh) | 一种可穿戴式多功能呼吸循环检测系统及方法 | |
CN110916647A (zh) | 面向多场景的可穿戴心电监测与心律失常远程实时诊断装置 | |
CN113317794B (zh) | 一种生命体征分析方法与系统 | |
CN109009028B (zh) | 一种反映人体疲劳程度的穿戴式设备 | |
CN102462494A (zh) | 一种新型智能心电测试保健器 | |
CN107890339A (zh) | 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置 | |
CN109620209B (zh) | 一种动态心电、呼吸和运动监测系统和方法 | |
CN113100725A (zh) | 基于光纤传感器的健康状态快速检测装置及方法 | |
CN201894645U (zh) | 一种新型智能心电测试保健器 | |
CN106510641A (zh) | 一种检测人体不同睡眠阶段的方法及系统 | |
CN109770920A (zh) | 基于穿戴式心电信号的紧张情绪判别方法及其系统 | |
CN105266764A (zh) | 一种中医宗气测评装置 | |
CN115956918A (zh) | 一种具有基于多特征融合的心电信号质量评估功能的远程心电监测系统 | |
Dharma et al. | Hypertension Identification Using Naive Bayes Classification Method and Pan Tompkins Feature Extraction | |
CN114903445A (zh) | 一种心脑血管疾病智能监测预警系统 |
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: 20210824 |