CN113921108A - 一种弹性带抗阻训练力数据的自动分割方法 - Google Patents

一种弹性带抗阻训练力数据的自动分割方法 Download PDF

Info

Publication number
CN113921108A
CN113921108A CN202111169458.6A CN202111169458A CN113921108A CN 113921108 A CN113921108 A CN 113921108A CN 202111169458 A CN202111169458 A CN 202111169458A CN 113921108 A CN113921108 A CN 113921108A
Authority
CN
China
Prior art keywords
data
force
stage
contraction
segmentation
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
CN202111169458.6A
Other languages
English (en)
Inventor
徐涛金
张毅
罗茂林
汪从哲
郑凯
朱宏飞
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202111169458.6A priority Critical patent/CN113921108A/zh
Publication of CN113921108A publication Critical patent/CN113921108A/zh
Pending legal-status Critical Current

Links

Images

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及数据处理领域，涉及一种弹性带抗阻训练力数据的自动分割方法；所述方法包括通过力传感器采集弹性带抗阻力数据；根据训练周期长度将力数据划分为具有多个重复周期的数据段；在每一个重复周期所对应的数据段中，将该数据段的力数据对时间求导，获得对应的力导数，并计算出力导数的最大值和最小值；以力导数的最大值和最小值为限制条件，将力数据分割为同心收缩阶段、偏心收缩阶段、等长收缩阶段和休息阶段，并获得各个阶段下对应的参数数据。本发明可自动分割弹性带抗阻训练力数据，并获得重复次数以及肌肉在不同张紧状态下的持续时间等参数，增强了抗阻训练力数据的分割效率，能够保证数据分割的准确性和有效性。

Description

一种弹性带抗阻训练力数据的自动分割方法
技术领域
本发明涉及数据处理领域，具体涉及一种弹性带抗阻训练力数据的自动分割方法。
背景技术
使用弹性带进行抗阻训练会产生大量的数据，这些数据的细节如组数、重复次数、休息时间、速度、肌肉力张紧状态和肌肉力张紧状态下的持续时间(TUT)等都是抗阻训练过程中需要监测的重要参数。
为获取上述参数，目前常用的方法是使用两个成对的磁体传感器来测量弹性带的厚度变形，然而，通过测量厚度变形量通常不能准确地反推测弹性带的力数据值。同时，在使用的过程中，磁体传感器很可能会出现滑落的情况，一旦发生滑落将无法测量弹性带变形量。并且弹性带变形量的测量容易受到如传感器位置因素的影响，将会导致测量精度不高，并造成分割所得参数不能准确反映使用者实际的训练状态。
此外，对于弹性带变形数据的处理，目前主要通过人眼识别，手动分割的方式实现，而这种处理方式效率低下，且数据分割过程容易受到人的主观因素的影响。
发明内容
基于现有技术存在的问题，本发明使用力传感器直接测量、记录抗阻力数据，并提出一种弹性带抗阻训练力数据的自动分割方法，可有效分割出单个训练周期，及肌肉在不同力作用状态下的抗阻力数据，进而量化抗阻训练过程中的组数、重复次数、休息时间、张紧状态下的持续时间(TUT)、速度和肌肉状态等参数。
本发明的方案包括如下：
一种弹性带抗阻训练力数据的自动分割方法，所述方法包括通过力传感器采集弹性带抗阻力数据；根据训练周期长度将所述力数据划分为具有多个重复周期的数据段；在每一个重复周期所对应的数据段中，将该数据段的力数据对时间求导，获得对应的力导数，并计算出力导数的最大值和最小值；以力导数的最大值和最小值为限制条件，将力数据分割为同心收缩阶段、偏心收缩阶段、等长收缩阶段以及休息阶段，并获得各个阶段下对应的参数数据。
与现有技术相比，本发明有如下优点和积极效果：
1、本发明与现有的通过人眼识别、手动分割的方式相比，本申请能够通过算法实现，其分割效率高，且不受分割者主观因素影响的优点；
2.本发明采用训练周期分割算法将采集到的海量力数据划分成多个具有重复周期的数据段，能够尽可能加快数据的处理速度；
3.本发明采用肌肉力作用状态分割算法可将力数据按肌肉力作用状态自动分割为同心收缩(Concentric contraction,CON)阶段、偏心收缩(Eccentric contraction,ECC)阶段、等长收缩(isometric contraction,ISOM)阶段、休息(Rest)阶段，能够挖掘出抗阻训练过程中的个性化和显著化数据，进而可提出参数指标，量化使用弹性绳的上肢曲肌抗阻训练过程。
附图说明
图1是本发明实施例的一种自动分割场景图；
图2是本发明实施例中的一种自动分割方法流程图；
图3是本发明实施例中抗阻训练过程中抗阻力数据的数据图；
图4是本发明实施例中肌肉力作用状态分割算法原理示意图；
图5是本发明实施例中几个分割实例示意图。
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。
在现有的弹性带抗阻训练力数据的处理方式中，一般需要通过人眼识别出传感器数据或者按照手动分隔的方式确定出对应的数据，这种方式平均需要55秒钟才能判定10组拉伸传感器记录数据的总的肌肉持续紧张时间TUT，并用3-10分钟以对收缩阶段特定的TUT进行评估；显然给后续的数据分析造成了很大的影响，基于上述分析，本申请考虑到如果能够快速分割出不同周期的力数据，并按照对应数据段的力数据进行特定状态的分割处理，将能够为后续的数据分析、数据可视化等过程带来很大的帮助。
图1是本发明实施例的一种自动分割场景图，如图1所示，图1中给出了监测坐在轮椅上患者完成抗阻训练的实施例。本实施例中使用力传感器记录弹性带的抗阻力数据；将抗阻力数据通过数模转换器完成转换得到力数据，该力数据可以通过用户界面显示出来；利用重复次数分割算法对该力数据分段，分成不同分组以及不同重复次数的数据段；将分段后的每一个数据段Fi(t)都分别计算出力导数，并确定出当前数据段的力导数的最大值和最小值；基于该段力数据和其对应的力导数的最大值和最小值，利用肌肉力作用状态算法分割出同心收缩阶段、偏心收缩阶段、等长收缩阶段以及休息阶段状态下的数据参数。
图2是本发明实施例中的一种自动分割方法流程图，如图2所示，所述方法包括：
101、通过力传感器采集弹性带抗阻力数据；
在本发明实施例中，可以在弹性带、弹性绳、弹力带、弹力绳等健身器材或者康复训练器材中安装力传感器，通过力传感器来获取弹性带的抗阻力数据；由于力传感器采集到的抗阻力数据是以电压、电流或者应变等人可以直观认知的信号体现，因此需要使用模数转换器将力传感器输出的信号转换成处理系统能够识别的数字信号，该数字信号以力数据的形式通过用户界面输出。
102、根据训练周期长度将所述力数据划分为具有多个重复周期的数据段；
在本发明实施例中，使用了重复次数分割算法，按照训练周期计算出训练完成的组数和重复次数；从而将步骤101获得的力数据划分成多个数据段。
举个例子，假设步骤101获得的力数据为F(t)，对该力数据按照训练完成的组数可以划分成若干个分组数据；再对每个分组数据划分成多个数据段，可以表示为F(t)＝{F1(t),F2(t),...,FN(t)}；其中，F2(t)表示为第i个数据段；N表示重复次数。
图3是本发明实施例中抗阻训练过程中抗阻力数据的数据图；如图3所示，由该力数据的曲线数据可知，力信号表现出强烈的周期性特点，具有明显的波峰和波谷，因此本发明有必要将力数据分割为多个重复的单个周期数据，让每个周期数据只需要具有一个波峰和一个波谷即可。
在本发明的一些实施例中，本实施例中首先需要获取弹性带抗阻力数据的平均值，以所述平均值为分割阈值，将所述力数据划分为包括多个重复周期对应的包含波峰和波谷的数据段，采用峰值检测方法从数据段中确定出波谷；以波谷的最小值作为数据段分割点，将抗阻力数据分割为单个周期，即每个周期中只包含一个波峰和一个波谷。
在本发明的另一些实施例中，本实施例中仍然需要获取弹性带抗阻力数据的平均值，以所述平均值为分割阈值，将所述力数据划分为包括多个重复周期对应的包含波峰和波谷的数据段，采用峰值检测方法从数据段中确定出波峰；以波峰的最大值作为数据段分割点，将抗阻力数据分割为单个周期，即每个周期中只包含一个波峰和一个波谷。
在本发明实施例中，考虑到在上肢曲肌等抗阻训练过程中，在单个训练周期内，肌肉会处于四种不同的收缩状态，包括同心收缩(Concentric contraction,CON)状态、偏心收缩(Eccentric contraction,ECC)状态、等长收缩(Isometric contraction,ISOM)状态、休息(Rest)状态。受使用者个人能力、意愿和疲劳感的影响，在CON、ISOM、ECC和休息阶段之间通常没有明确的分界点；如果能够通过一定的方式来找到分界点，则会大幅提高分割效果；因此，本发明利用肌肉力作用状态算法来找到不同状态之间的分界点；从而分隔出不同状态阶段的数据参数。
103、在每一个重复周期所对应的数据段中，将该数据段的力数据对时间求导，获得对应的力导数，并计算出力导数的最大值和最小值；
图4是本发明实施例中肌肉力作用状态分割算法原理示意图，如图4所示，在CON收缩过程中，力导数迅速增加并达到最大值，然后迅速减小为零。在ISOM收缩过程中，受试者将他的前臂保持在准静态几秒钟，在此时间段，力导数变化不大。在ECC收缩过程，受试者伸展前臂，力导数达到最小值后逐渐增大；因此通过力导数能够区分开不同状态阶段的力数据。
104、以力导数的最大值和最小值为限制条件，将力数据分割为同心收缩阶段、偏心收缩阶段、等长收缩阶段以及休息阶段，并获得各个阶段下对应的参数数据。
本实施例可以采用分割阈值对力导数的最大值和力导数的最小值进行调节；可以采用最大值和最小值的固定比例值为分割阈值，将调节后的最大值和最小值作为粗分割模型中各个收缩阶段的范围阈值，并将力数据分为四个阶段；采用线性回归算法计算得到在每一个阶段中力数据的趋势线(y＝fi(t),i＝1～3)；将所述趋势线与x轴的交点以及趋势线之间的交点作为状态分割点，分割得到每一个阶段所对应的参数数据。
在本发明实施例中，所述粗分割模型表示为：
Figure BDA0003292457880000051
其中，F(t)表示弹性带抗阻力；CON表示同心收缩；ISOM表示等长收缩；ECC表示偏心收缩；REST表示休息状态；a表示分割阈值。
可以理解的是，在上述过程中，由于等长收缩状态和休息状态的力导数值均趋近0，因此直接通过上述力导数无法区分两种状态，本申请考虑从两种状态所处的位置进行区分，从图4中可以看出，一个正常的数据段依次包括休息状态、同心收缩状态、等长收缩状态、偏心收缩状态以及休息状态；因此可以直接根据力数据或者力导数中横坐标的范围判断出对应的等长收缩状态和休息状态，当力导数趋近于0时，通过其前后力导数的走向趋势或者与其他两种已知状态数据的前后位置关系进行判断。
本实施例中，将同心收缩阶段的趋势线与x轴的交点作为第一状态分割点；将同心收缩阶段的趋势线与等长收缩阶段的交点作为第二状态分割点；将等长收缩阶段的趋势线与偏心收缩阶段的交点作为第三状态分割点；将偏心收缩阶段的趋势线与x轴的交点作为第四状态分割点；将第一状态分割点与第二状态分割点所限制的数据段作为同心收缩阶段的精分割数据；将第二状态分割点与第三状态分割点所限制的数据段作为等长收缩阶段的精分割数据；将第三状态分割点与第四状态分割点所限制的数据段作为偏心收缩阶段的精分割数据；将第一状态分割点与当前数据段左端点所限制的数据段以及第三状态分割点与当前数据段右端点所限制的数据段作为休息阶段的精分割数据。
以图4为例，本实施例中缩放阈值a＝0.1，选择力导数小于最大值且大于最大值的10％的数据作为同心收缩阶段的力数据；将力导数小于最大值的10％的数据且大于最小值的10％的数据作为等长收缩阶段的力数据；将力导数小于最小值的10％的数据且大于最小值的数据作为偏心数据。
可以理解的是，所述力导数分为正数据和负数据，其最大值肯定为正数，其最小值肯定为负数；同时上述范围条件中的等号可以任意选择，即dF(t)＝a.min时，即可以将其作为等长收缩阶段的终点也可以将其作为偏心收缩的起点。
在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种弹性带抗阻训练力数据的自动分割方法，其特征在于，所述方法包括通过力传感器采集弹性带抗阻力数据；根据训练周期长度将所述力数据划分为具有多个重复周期的数据段；在每一个重复周期所对应的数据段中，将该数据段的力数据对时间求导，获得对应的力导数，并计算出力导数的最大值和最小值；以力导数的最大值和最小值为限制条件，将力数据分割为同心收缩阶段、偏心收缩阶段、等长收缩阶段以及休息阶段，并获得各个阶段下对应的参数数据。
2.根据权利要求1所述的一种弹性带抗阻训练力数据的自动分割方法，其特征在于，所述根据训练周期长度将所述力数据划分为具有多个重复周期的数据段包括获取弹性带抗阻力数据的平均值，以所述平均值为分割阈值，将所述力数据划分为包括多个包含波峰和波谷的数据段，采用峰值检测方法从数据段中确定出波谷；以波谷值作为数据段分割点，将抗阻力数据分割为多个数据段，其中每个数据段代表一个训练周期，每个训练周期包含同心收缩阶段、偏心收缩阶段、等长收缩阶段以及休息阶段。
3.根据权利要求1所述的一种弹性带抗阻训练力数据的自动分割方法，其特征在于，所述以力导数的最大值和最小值为限制条件，将力数据分割为同心收缩阶段、偏心收缩阶段、等长收缩阶段以及休息阶段包括针对每一个重复周期，根据手臂在不同收缩阶段中，肌肉处于的不同力作用状态，将每一个数据段分割为不同的数据分段；具体包括采用最大值和最小值的固定比例值为分割阈值，基于所述分割阈值，采用粗分割模型将力数据粗分为四个数据分段；采用线性回归算法计算得到在每一个数据分段对应力数据的趋势线；将所述趋势线与x轴的交点以及趋势线之间的交点作为状态分割点，细分割得到不同力作用状态下的每一个数据分段。
4.根据权利要求3所述的一种弹性带抗阻训练力数据的自动分割方法，其特征在于，所述粗分割模型表示为：
Figure FDA0003292457870000021
其中，F(t)表示弹性带抗阻力；CON表示同心收缩；ISOM表示等长收缩；ECC表示偏心收缩；REST表示休息状态；a表示分割阈值。
5.根据权利要求4所述的一种弹性带抗阻训练力数据的自动分割方法，其特征在于，对所述休息状态和所述等长收缩状态按照所处数据段的位置关系进行划分。
6.根据权利要求3所述的一种弹性带抗阻训练力数据的自动分割方法，其特征在于，将所述趋势线与x轴的交点以及趋势线之间的交点作为状态分割点，细分割得到不同力作用状态下的每一个数据分段包括将同心收缩阶段的趋势线与x轴的交点作为第一状态分割点；将同心收缩阶段的趋势线与等长收缩阶段的交点作为第二状态分割点；将等长收缩阶段的趋势线与偏心收缩阶段的交点作为第三状态分割点；将偏心收缩阶段的趋势线与x轴的交点作为第四状态分割点；将第一状态分割点与第二状态分割点所限制的数据段作为同心收缩阶段的精分割数据；将第二状态分割点与第三状态分割点所限制的数据段作为等长收缩阶段的精分割数据；将第三状态分割点与第四状态分割点所限制的数据段作为偏心收缩阶段的精分割数据；将第一状态分割点与当前数据段左端点所限制的数据段以及第三状态分割点与当前数据段右端点所限制的数据段作为休息阶段的精分割数据。
CN202111169458.6A 2021-10-08 2021-10-08 一种弹性带抗阻训练力数据的自动分割方法 Pending CN113921108A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111169458.6A CN113921108A (zh) 2021-10-08 2021-10-08 一种弹性带抗阻训练力数据的自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111169458.6A CN113921108A (zh) 2021-10-08 2021-10-08 一种弹性带抗阻训练力数据的自动分割方法

Publications (1)

Publication Number Publication Date
CN113921108A true CN113921108A (zh) 2022-01-11

Family

ID=79238333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111169458.6A Pending CN113921108A (zh) 2021-10-08 2021-10-08 一种弹性带抗阻训练力数据的自动分割方法

Country Status (1)

Country Link
CN (1) CN113921108A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113926160A (zh) * 2021-10-08 2022-01-14 重庆邮电大学 一种用于居家人员的上肢曲肌抗阻训练辅助系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111353425A (zh) * 2020-02-28 2020-06-30 河北工业大学 一种基于特征融合与人工神经网络的睡姿监测方法
CN111616924A (zh) * 2020-06-19 2020-09-04 北京大学第三医院（北京大学第三临床医学院） 腰背肌等长收缩锻炼器
CN112089442A (zh) * 2020-08-21 2020-12-18 意领科技有限公司 利用超声成像提供视觉反馈的肌肉训练方法及系统
CN112261899A (zh) * 2018-04-13 2021-01-22 内键有限公司 用于医疗设备的手动操作单元和手动操作组
CN113164806A (zh) * 2018-12-04 2021-07-23 菲纳米斯有限责任公司 用于训练装置的辅助驱动器
CN113926160A (zh) * 2021-10-08 2022-01-14 重庆邮电大学 一种用于居家人员的上肢曲肌抗阻训练辅助系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112261899A (zh) * 2018-04-13 2021-01-22 内键有限公司 用于医疗设备的手动操作单元和手动操作组
CN113164806A (zh) * 2018-12-04 2021-07-23 菲纳米斯有限责任公司 用于训练装置的辅助驱动器
CN111353425A (zh) * 2020-02-28 2020-06-30 河北工业大学 一种基于特征融合与人工神经网络的睡姿监测方法
CN111616924A (zh) * 2020-06-19 2020-09-04 北京大学第三医院（北京大学第三临床医学院） 腰背肌等长收缩锻炼器
CN112089442A (zh) * 2020-08-21 2020-12-18 意领科技有限公司 利用超声成像提供视觉反馈的肌肉训练方法及系统
CN113926160A (zh) * 2021-10-08 2022-01-14 重庆邮电大学 一种用于居家人员的上肢曲肌抗阻训练辅助系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINGJING YANG等: "Monitoring the training dose and acute fatigue response during elbow flexor resistance training using a custom-made resistance band", 《PEER J》, 25 February 2020 (2020-02-25), pages 1 - 17 *
高智贤: "上肢骨骼肌表面肌电多成分及空间分布的动态激活特性研究", 《中国博士学位论文全文数据库 基础科学辑》, no. 9, 15 September 2020 (2020-09-15), pages 006 - 3 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113926160A (zh) * 2021-10-08 2022-01-14 重庆邮电大学 一种用于居家人员的上肢曲肌抗阻训练辅助系统

Similar Documents

Publication Publication Date Title
US7429247B2 (en) Sleep state estimating device and program product
US10825569B2 (en) Universal non-invasive blood glucose estimation method based on time series analysis
CN108388912B (zh) 基于多传感器特征优化算法的睡眠分期方法
US7150718B2 (en) Sleep state estimation device and program product for providing a computer with a sleep state estimation function
CN108416367B (zh) 基于多传感器数据决策级融合的睡眠分期方法
CN106901732B (zh) 突变状态下肌力与肌张力的测量方法和测量装置
EP2925217A1 (en) Method and system for determining a ventilatory threshold
JP2004049838A (ja) 睡眠段階判定方法および睡眠段階判定装置
CN113921108A (zh) 一种弹性带抗阻训练力数据的自动分割方法
CN109872820A (zh) 一种无袖带血压测量方法、装置、设备及存储介质
US20020156392A1 (en) Method and apparatus for inspecting biological rhythms
KR101276973B1 (ko) 맥박수 측정 방법 및 장치
Djamal et al. Detection of EEG signal post-stroke using FFT and convolutional neural network
EP3593709B1 (fr) Procédé de détermination de l'état de stress d'un individu
Lee et al. Endurance time prediction of biceps brachii muscle using Dimitrov spectral index of surface electromyogram during isotonic contractions
CN113926160B (zh) 一种用于居家人员的上肢曲肌抗阻训练辅助系统
CN113876316B (zh) 下肢屈伸活动异常检测系统、方法、装置、设备及介质
CN116115205A (zh) 血压测量方法、装置、电子设备及存储介质
CN115089125A (zh) 一种监测睡眠特征和呼吸率的方法及装置
KR102053329B1 (ko) 생체 및 운동 신호 기반의 스트레스 분석 방법
Baniqued et al. The effect of skinfold on the assessment of the mean power frequency at the fatigue threshold
CN106983511A (zh) 肌力与肌张力状态突变点的识别方法及识别装置
US12048552B2 (en) Electromyography processing apparatus, electromyography processing method and electromyography processing program
KR20220096278A (ko) 맥파를 이용한 cnn 기반의 운동 강도 분류 시스템
CN117243569B (zh) 一种基于多源信息融合的认知功能评估方法和系统

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