CN114533000B - 植物神经指标计算系统、植物神经指标计算方法以及计算机可读介质 - Google Patents

植物神经指标计算系统、植物神经指标计算方法以及计算机可读介质 Download PDF

Info

Publication number
CN114533000B
CN114533000B CN202111405747.1A CN202111405747A CN114533000B CN 114533000 B CN114533000 B CN 114533000B CN 202111405747 A CN202111405747 A CN 202111405747A CN 114533000 B CN114533000 B CN 114533000B
Authority
CN
China
Prior art keywords
waveform data
pulse wave
heart rate
nerve index
instantaneous
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
CN202111405747.1A
Other languages
English (en)
Other versions
CN114533000A (zh
Inventor
林敬司
山田整
山口雄平
荒井恭佑
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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 Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN114533000A publication Critical patent/CN114533000A/zh
Application granted granted Critical
Publication of CN114533000B publication Critical patent/CN114533000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B5/4029—Detecting, measuring or recording for evaluating the nervous system for evaluating the peripheral nervous systems
    • A61B5/4035—Evaluating the autonomic nervous system
    • 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
    • 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
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Neurology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Neurosurgery (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种植物神经指标计算系统、植物神经指标计算方法以及计算机可读介质。本发明的一个方式所涉及的对生物体的植物神经指标进行计算的植物神经指标计算系统(1)利用生物体的至少一个脉搏波信号来生成脉搏波波形数据，并以至少一个既定的频带对所生成的脉搏波波形数据进行滤波，且对被滤波的脉搏波波形数据进行复数化，而对至少一个频带的脉搏波复杂波形数据进行计算，并且基于计算出的脉搏波复杂波形数据，对至少一个频带的生物体的植物神经指标进行计算。

Description

植物神经指标计算系统、植物神经指标计算方法以及计算机 可读介质
技术领域
本发明涉及用于对生物体的植物神经指标进行计算的植物神经指标计算系统、植物神经指标计算方法以及植物神经指标计算程序。
背景技术
一直以来，提出了用于对生物体的植物神经指标进行计算的各种各样的技术。作为这样的技术的一个示例，日本专利第5408751号公报所公开的植物神经功能测量装置利用傅里叶变换而对脉搏波的振幅变动的功率谱密度进行计算，并将该谱密度的低频率成分与高频率成分之比作为植物神经功能的指标来计算。
发明内容
发明所要解决的课题
但是，日本专利第5408751号公报所公开的植物神经功能测量装置存在如下的问题，即，即使对心率、脉搏波等生理信号进行处理而将低频成分(0.04Hz～0.15Hz：血压性波动成分)、高频成分(0.15Hz～0.4Hz：呼吸性波动成分)的频谱强度、相位信息指标化从而作为植物神经的指标来进行提示，也由于指标时时刻刻发生变化，从而无法对明确的指标进行计算。
在图27中示出以现有的LF/HF评价方法对安静状态进行了计测的结果。可知，虽然据称LF/HF比越小，则副交感神经越占优势，但LF、HF时时刻刻发生变化，而使LF/HF急剧变化。可以认为，其原因为，由于在放松状态下，生理指标的方差变大，且在紧张状态下，生理指标的方差变小，因此，将生理指标看作标量这件事本身是困难的。
本发明是用于解决这样的问题的发明，其目的在于，提供一种能够对不是针对时时刻刻发生变化的那样的现有的植物神经指标而是针对只要身体的状态不发生变化则总是在实质上成为固定的数值的植物神经指标进行计算的植物神经指标计算系统、植物神经指标计算方法以及植物神经指标计算程序。
用于解决课题的手段
本发明的一个方式所涉及的对生物体的植物神经指标进行计算的植物神经指标计算系统包括：脉搏波波形生成部，其利用生物体的至少一个脉搏波信号来生成脉搏波波形数据；带通滤波器，其以至少一个既定的频带对所生成的脉搏波波形数据进行滤波；复数化部，其对被滤波的脉搏波波形数据进行复数化，从而对至少一个频带的脉搏波复杂波形数据进行计算；指标计算部，其基于计算出的脉搏波复杂波形数据，对至少一个频带的生物体的植物神经指标进行计算。
本发明的另外的方式所涉及的对生物体的植物神经指标进行计算的植物神经指标计算系统包括：心率间隔波形生成部，其利用生物体的至少一个脉搏波信号来生成心率间隔波形数据；带通滤波器，其以至少一个既定的频带对所生成的心率间隔波形数据进行滤波；复数化部，其对被滤波的心率间隔波形数据进行复数化，而对至少一个频带的心率间隔复杂波形数据进行计算；指标计算部，其基于计算出的心率间隔复杂波形数据，对至少一个频带的生物体的植物神经指标进行计算。
本发明的其他的方式所涉及的对生物体的植物神经指标进行计算的植物神经指标计算系统包括：脉搏波波形生成部，其利用生物体的至少一个脉搏波信号来生成脉搏波波形数据；心率间隔波形生成部，其利用生物体的至少一个脉搏波信号来生成心率间隔波形数据；带通滤波器，其以至少一个既定的频带对所生成的脉搏波波形数据以及心率间隔波形数据进行滤波；复数化部，其对被滤波的脉搏波波形数据以及心率间隔波形数据进行复数化，而对至少一个频带的脉搏波复杂波形数据以及心率间隔复杂波形数据进行计算；指标计算部，其基于计算出的脉搏波复杂波形数据以及心率间隔复杂波形数据，对至少一个频带的生物体的植物神经指标进行计算。
本发明的一个方式所涉及的对生物体的植物神经指标进行计算的植物神经指标计算方法中，利用生物体的至少一个脉搏波信号来生成脉搏波波形数据；以至少一个既定的频带对所生成的脉搏波波形数据进行滤波；对被滤波的脉搏波波形数据进行复数化，而对至少一个频带的脉搏波复杂波形数据进行计算；基于计算出的脉搏波复杂波形数据，对至少一个频带的生物体的植物神经指标进行计算。
本发明的另外的方式所涉及的对生物体的植物神经指标进行计算的植物神经指标计算方法中，利用生物体的至少一个脉搏波信号来生成心率间隔波形数据；以至少一个既定的频带对所生成的心率间隔波形数据进行滤波；对被滤波的心率间隔波形数据进行复数化，而对至少一个频带的心率间隔复杂波形数据进行计算；基于计算出的心率间隔复杂波形数据，对至少一个频带的生物体的植物神经指标进行计算。
本发明的其他的方式所涉及的对生物体的植物神经指标进行计算的植物神经指标计算方法中，利用生物体的至少一个脉搏波信号来生成脉搏波波形数据；利用生物体的至少一个脉搏波信号来生成心率间隔波形数据；以至少一个既定的频带对所生成的脉搏波波形数据以及心率间隔波形数据进行滤波；对被滤波的脉搏波波形数据以及心率间隔波形数据进行复数化，而对至少一个频带的脉搏波复杂波形数据以及心率间隔复杂波形数据进行计算；基于计算出的脉搏波复杂波形数据以及心率间隔复杂波形数据，对至少一个频带的生物体的植物神经指标进行计算。
本发明的一个方式所涉及的对生物体的植物神经指标进行计算的植物神经指标计算程序使信息处理装置执行如下的步骤，即：利用生物体的至少一个脉搏波信号来生成脉搏波波形数据的步骤；以至少一个既定的频带对所生成的脉搏波波形数据进行滤波的步骤；对被滤波的脉搏波波形数据进行复数化，而对至少一个频带的脉搏波复杂波形数据进行计算的步骤；基于计算出的脉搏波复杂波形数据，对至少一个频带的生物体的植物神经指标进行计算的步骤。
本发明的另外的方式所涉及的对生物体的植物神经指标进行计算的植物神经指标计算程序使信息处理装置执行如下的步骤，即：利用生物体的至少一个脉搏波信号生成心率间隔波形数据的步骤；以至少一个既定的频带对所生成的心率间隔波形数据进行滤波的步骤；对被滤波的心率间隔波形数据进行复数化，而对至少一个频带的心率间隔复杂波形数据进行计算的步骤；基于计算出的心率间隔复杂波形数据，对至少一个频带的生物体的植物神经指标进行计算的步骤。
本发明的其他的方式所涉及的对生物体的植物神经指标进行计算的植物神经指标计算程序使信息处理装置执行如下的步骤，即：利用生物体的至少一个脉搏波信号来生成脉搏波波形数据的步骤；利用生物体的至少一个脉搏波信号来生成心率间隔波形数据的步骤；以至少一个既定的频带对所生成的脉搏波波形数据以及心率间隔波形数据进行滤波的步骤；对被滤波的脉搏波波形数据以及心率间隔波形数据进行复数化，而对至少一个频带的脉搏波复杂波形数据以及心率间隔复杂波形数据进行计算的步骤；基于计算出的脉搏波复杂波形数据以及心率间隔复杂波形数据，对至少一个频带的生物体的植物神经指标进行计算的步骤。
将脉搏波波形数据B(t)以及脉搏波间隔波形数据R(t)至少分成h：0.15Hz～0.4Hz、l：0.04Hz～0.15Hz、v：0.015Hz～0.04Hz、w：0.004Hz～0.015Hz这至少四个带宽来提取波形，并且分别对这些波形进行希尔伯特变换，从而生成复杂波形函数。
数学式1
脉搏波波形ψk(t)＝exp(ak(t)+iωk(t)t) (1)
数学式2
心率间隔波形Ψk(t)＝exp(Ak(t)+iΩk(t)t) (2)
数学式3
相位差θk(t)＝Ωk(t)t-ωk(t)t (3)
在此，k：h，l，v，w，…。i表示复数，t表示时间。
在身体的状态未发生变化的状况下，至少对脉搏波进行20分钟～2小时的测量，当对数学式(1)以及数学式(2)进行计算，并进一步对数学式(3)进行计算时，ak、Ak、ωk、Ωk、θk的时间序列数据呈正态分布。被分配给各个带宽的生理性功能在紧张时其方差变小，而在缓和时其方差变大。
虽然一直以来，使用出现呼吸性波动的HF(h)带宽和出现血压性波动的LF(1)带宽，将标量值设为了植物神经评价指标，但最近，针对作为植物神经系统的指标而被关注的VLF带宽(0.004Hz～0.04Hz)，也分为v：0.015Hz～0.04Hz、w：0.004Hz～0.015Hz这两个带宽，而对数学式(1)以及数学式(2)式进行计算，求出分布系数。
由于生物体相对于各种各样的环境刺激的反应出现在ak和ωk的分布系数中，因此，能够通过分布系数的大小而使与各个带宽相关联的生理中枢的紧张和缓和的状态数值化，并能够对植物神经的多种多样的状态进行记述。
而且，虽然对于低频的ULF带宽(0.0004Hz～0.004Hz)或长于ULF带宽的周期也需要非常长的计测时间(几个小时～几个月)，但通过针对计测出的脉搏波数据实施同样的数据处理以对ak、ωk等进行计算，从而能够对具有与上述情况不同的性质的生物体状态进行记述。
发明效果
根据本发明，能够提供一种可对只要身体的状态不发生变化则总是在实质上成为固定的数值的植物神经指标进行计算的植物神经指标计算系统、植物神经指标计算方法以及植物神经指标计算程序。
本发明的上述和其他目的、特征和优点将从下文给出的详细描述和附图中得到更充分的理解，附图仅作为说明，因此不应被视为限制本发明。
附图说明
图1为表示脉搏波波形和脉搏间隔的定义的图。
图2为表示脉搏间隔波形的定义的图。
图3为表示脉搏波波形以及脉搏间隔波形的FFT分析结果的图。
图4为表示脉搏波波形和脉搏间隔波形的HF、LF、VLF1、VLF2带宽波形的图。
图5为表示脉搏波波形和脉搏间隔波形的信号相关关系的图。
图6为表示本发明的一个方式所涉及的算法的图。
图7为表示本发明的一个方式所涉及的算法的第一应用例的图。
图8为表示本发明的一个方式所涉及的算法的第二应用例的图。
图9A为表示本发明的一个方式所涉及的算法的第三应用例的图。
图9B为表示本发明的一个方式所涉及的算法的第三应用例的图。
图10A为表示本发明的一个方式所涉及的算法的第四应用例的图。
图10B为表示本发明的一个方式所涉及的算法的第四应用例的图。
图11A为表示本发明的一个方式所涉及的算法的第五应用例的图。
图11B为表示本发明的一个方式所涉及的算法的第五应用例的图。
图12A为表示本发明的一个方式所涉及的算法的第六应用例的图。
图12B为表示本发明的一个方式所涉及的算法的第六应用例的图。
图13为表示脑血流信号的FFT分析结果的图。
图14为表示植物神经系统的生物体模型的第一提案的图。
图15为表示植物神经系统的生物体模型的第二提案的图。
图16为表示植物神经系统的生物体模型的第三提案的图。
图17为表示植物神经系统的生物体模型的第四提案的图。
图18为表示脑干内时间序列数据(非同步/可变周期)的一个示例的图。
图19为表示1/f滤波器的概念图。
图20为表示脉搏波波形和各个带宽频率滤波处理后的信号波形的图。
图21为表示脉搏波波形的FFT分析结果(0.002～50Hz)的图。
图22为表示脉搏波波形的HF(0.15～0.4Hz)成分、LF(0.04～15Hz)成分、VHF1(1.5～4Hz)成分、VHF2(0.4～1.5Hz)成分、UHF1(15～40Hz)成分、UHF2(4～15Hz)成分的对数振幅分布、正态分布拟合线和分布系数的图。
图23为表示脉搏波波形的HF(0.15～0.4Hz)成分、LF(0.04～0.15Hz)成分、VHF1(1.5～4Hz)成分、VHF2(0.4～1.5Hz)成分、UHF1(15～40Hz)成分、UHF2(4～15Hz)成分的频率分布、正态分布拟合线和分布系数的图。
图24为表示本发明的一个方式所涉及的植物神经指标计算系统的一个示例的图。
图25为表示本发明的一个方式所涉及的植物神经指标计算程序的一个示例的图。
图26为表示在本发明的一个方式所涉及的植物神经指标计算系统中被实施的处理的一个示例的流程图。
图27为表示基于现有方法的LF/HF评价数据的图。
具体实施方式
以下，参照附图，对本发明的一个方式进行说明。利用生物体信息传感器、例如biosignals plux，对处于稳定状态的被检测者的脉搏波进行从几十分钟到几小时的计测。采样频率能够设为500Hz。另外，采样频率能够采用10～1000Hz之间的任意的频率。以此方式得到的脉搏波波形数据B(t)成为如图1那样的重复波形。对于脉搏波波形数据B(t)，利用由“An Open-source Algorithm to Detect Onset of Arterial Blood Pressure Pulses(一种检测动脉血压脉冲开始的开源算法)”W Zong Harvard University(哈佛大学)-MITDivision of Health Sciences and Technology(麻省理工学院健康科学与技术部)提出的脉搏波上升沿位置检测算法而对脉搏间隔(RRI：R-R Interval)进行计算，并对脉搏波的上升沿时间和脉搏间隔进行标绘并进行样条插补，从而得到如图2那样的脉搏间隔波形R(t)。
当对测量的脉搏波波形数据B(t)和脉搏间隔波形数据R(t)进行FFT(FastFourier Transform，快速傅立叶变换)处理时，可得到如图3那样的频谱。在本实施方式中，将频带分割为作为心率间隔的呼吸性波动带宽的HF(0.15～0.4Hz)、作为血压性波动的LF(0.04～0.15Hz)、作为VLF(Very Low Frequency，甚低频)带宽的VLF1(0.015～0.04Hz)和VLF2(0.004～0.015Hz)。当使脉搏波波形数据B(t)和脉搏间隔波形R(t)通过HF、LF、VLF1、VLF2这四个带宽的带通滤波器时，可以得到如图4那样的四个带宽的波形。本图所示的脉搏波波形为静坐20分钟的计测数据。
接下来，当对各个带宽的波形进行希尔伯特变换时，可以得到如图5那样的生物体信号关系图。虽然脉搏间隔为仅由脉搏波间隔构成的生物体信号，但脉搏波波形为由脉搏间隔、血液的每搏输出量和血管的物理特性形成的生物体信号波形。如数学式(1)以及数学式(2)那样，针对每个带宽，脉搏间隔波形利用振幅项Ak(t)和相位项Ωk(t)来表示，脉搏波波形利用振幅项ak(t)和相位项ωk(t)来表示。
参照图3，脉搏波的VLF带宽由于脉搏波传感器的频率特性即自动量程功能，而导致在其低频侧信号强度快速降低。为了弥补该影响，关注难以受到由信号强度的降低而产生的影响的相位项，对数学式(3)所示的相位差进行定义，并关注脉搏间隔的振幅项Ak(t)和相位差θk，继续分析生物体信号。
图6为表示在本实验中使用的脉搏波波形分析程序的算法的一个示例的概念图。在使脉搏波波形以及脉搏间隔波形通过四个带宽的带通滤波器之后，对各个波形信号进行希尔伯特变换。对以此方式得到的复杂波形公式的振幅项Ak(t)、ak(t)和相位项Ωk(t)、ωk(t)、以及脉搏间隔相对于脉搏波的相位差θk(t)进行计算，从而得到这些时间序列数据。在此，作为采样频率，能够采用10Hz。此外，作为采样频率，能够采用5～200Hz之间的任意的频率。
利用图6的算法，对图4所示的脉搏波数据进行数据处理，而在图7以及图8中示出脉搏间隔波形的振幅项Ak(t)和相位差θk(t)的分布。如图7所示，可知，振幅项Ak在四个带宽中都呈高斯分布(正态分布)。另一方面，关于脉搏间隔波形相对于脉搏波波形的相位差θk，虽然在图8中，θk、k＝h(HF)、l(LF)呈高斯分布(冯米塞斯分布)，但看不出θk、k＝v(VLF1)、w(VLF2)呈高斯分布。在此，冯米塞斯分布表示为数学式(4)。
数学式4
f(θk)＝exp(κcos(θk-μ))/I0(κ) (4)
在此，I0(κ)表示0阶贝塞尔函数。Μ表示相位平均，κ表示集中度。
曲线图内的曲线为在使各自的分布拟合为高斯分布时的概率密度分布，并一并记载各个分布的分布系数。
数学式5
θ＝angle(∑exp(i6k)) (5)
数学式6
R＝abs(∑exp(iθk)/N) (6)
在此，i表示复数，N表示样本总数。θ表示平均相位差。R表示集中度。
为了确认θk在VLF带宽上是否呈高斯分布，在图9和图10中示出针对在静坐状态下计测了3个小时的脉搏波的数据而观察到相位差θk、脉搏间隔振幅项Ak的分布的结果。由于LF/HF带宽和VLF带宽的周期相差10倍，因此，在观察VLF带宽的分布时，必须以LF/HF的10倍的时间间隔进行观察。相对于在LF/HF中将时间间隔设为60秒、1100秒，VLF1/2以600秒、11000秒的时间间隔对分布进行比较。当对与LF/HF的1100秒相对应的VLF1/2的11000秒的分布进行比较时，可知在四个带宽都能够近似为高斯分布(冯米塞斯分布)。
当观察图5的生物体信号关系图时，从脉搏间隔波形的振幅项Ak和相位差θk呈高斯分布的情况进行类推，脉搏波波形的振幅项ak和相位项ωk也有可能呈高斯分布。作为通过三个小时静坐的脉搏波数据而确认了脉搏波波形的振幅项ak和相位项ωk的分布的结果，如图11以及图12那样可知ak和ωk也能够近似于高斯分布。
使用图6的算法，对生物体处于稳定状态时的脉搏波数据进行数据处理，并针对四个带宽而提取相互独立的振幅项(Ak、ak)和相位项(θk、ωk、Ωk)的至少各一个，即至少两个特征量，从而能够准确地对呼吸、血压、植物神经等生物体反应相对于各种各样的环境刺激的特征进行记述。而且，即使针对低于VLF带宽的频率的ULF带宽或与其相比更长的周期，也能够同样地通过提取上述特征量，而对生物体反应相对于更多的环境刺激的特征量进行记述。
由于可知当生物体处于稳定状态时通过图6的算法而被提取的特征量能够以高斯分布近似，因此，即使例如测量时间较短而无法确保该带宽所需的数据长度，也能够通过实施统计性处理来推测各个特征量。在此，虽然以各个特征量依照高斯分布的情况为例进行了说明，但即使是高斯分布以外的分布(例如泊松分布等)，也能够适用。
图3的脉搏波频谱存在受到脉搏波传感器的频率特性(自动量程功能、截止频率0.2Hz)的影响而在VLF区域以下的频带中无法得到足够的信号强度的问题。虽然在今后打算取得去掉了自动量程功能的脉搏波传感器来对脉搏波进行计测并应用本算法，但图13中表示使用滨松制tNIRS-1无创脑氧监测仪来对额叶的血流浓度进行计测的数据的FFT分析结果。o2hb为氧合血红蛋白浓度，hhb为去氧血红蛋白浓度。o2hb+hhb与额叶的血流量成比例。
当观察图13时，总血红蛋白浓度(o2hb+hhb)的频谱登上1/f线。因此，可以考虑到血流量的波动谱登上1/f的情况。
在图14中，示出心率变异的模型的示意图。在脑干中，存在对心率进行控制的中枢，其向位于心脏的右心房的窦房结等发送对心率间隔和每搏输出量进行控制的信号。以与该信号相应的心率间隔和每搏输出量而使血液以脉搏波的形式向包含颈动脉的全身输送。脉搏波根据血管的物理的物性值，利用血流i、血液的惯性L、血管的弹性C、血管的阻力R，使脉搏压v如下式的2阶微分方程式的那样表示。
数学式7
dv/dt＝Rdi/dt+i/C+Ld2i/dt2 (7)
如果心率间隔和每搏输出量确定，则能够通过求解该微分方程式，而通过处于颈动脉的压力感受器来求出脉搏压v。由压力感受器检测出的脉搏压被向脑干传递，接下来的心率间隔和每搏输出量通过脑干实施运算处理，并且运算结果被送向窦房结。
脑干必须以生成图15所示的带宽(也包含长于VLF带宽的周期的信号)的全部带宽的波动函数(1)的方式决定心率间隔和每搏输出量。
以至此为止的实验数据为基础，对在脑干中运算的内容进行推测，并在图16中示出。从压力感受器送来的脉搏压数据通过1/f滤波器(将在后文叙述)而按各个带宽分成脉搏压周期和脉搏压振幅项，并被分配给呼吸、血压、植物神经等的中枢。按各个带宽而被分配的脉搏压频率(ωhi，ωlj，ωvn，ωwm，…其中，ωk＝2π/Tk，k：h，l，v，w，…)和脉搏压振幅(ahi，alj，avn，awm，…)根据环境刺激(紧张、放松、害怕、疲倦、清醒、冷暖等)而被输入至呼吸、血压、植物神经系统的中枢，设定与该刺激相应的脉搏压频率和脉搏压振幅项的二维高斯分布(图17)的平均值和方差值(高斯偏差)，并以实现该值的方式设定接下来的脉搏压频率(ωhi+1，ωlj+1，ωvn+1，ωwm+1，…)和脉搏压振幅项(ahi+1，alj+1，avn+1，awm+1，…)。这些信号被输入至1/f积分中，在1/f积分中，1/f滤波器的逆过程被实施处理，从而生成接下来的心率间隔Tr+1＝Tr+ΔTr和脉搏波振幅exp(Ar+1)＝exp(Ar+ΔAr)，并将其发送至窦房结，从而对心率间隔和血液每搏输出量进行控制。在此，针对每个带宽(Tk k：h，l，v，w，…Tk＝2π/ωk)，周期都不同，心率间隔Tr和各个带宽的周期Tk的时间序列数据如图18那样成为非同步可变周期的数据系列。
关于图16的高斯偏差，以呼吸性波动、血压性波动的切换为例进行说明。在放松时，出现呼吸性窦性心率不齐。在此时被输入至呼吸中枢中的高斯偏差中，HF的二维高斯的方差变小，HF脉搏压振幅变大。有助于血压性波动的被输入至血压中枢的高斯偏差以使LF的二维高斯的方差变大且使LF脉搏压振幅变小的方式生成各自的脉搏压振幅项和脉搏压频率项的时间序列数据，其结果为，呼吸性心窦性心率不齐(RSA)作为生理现象而出现。
当紧张时，出现血压性心率变异。此时，被输入至呼吸中枢中的高斯偏差的HF的二维高斯的方差变大，且HF脉搏压振幅变小。有助于血压性波动的被输入至血压中枢中的高斯偏差以使LF的二维高斯的方差变小且使LF脉搏压振幅变大的方式生成各自的脉搏压振幅项和脉搏压频率项的时间序列数据，其结果为，血压性心率变异作为生理现象而出现。
对图16的1/f滤波器进行说明。在图19中，示意性地示出HF(0.15～0.4Hz)、LF(0.04～0.15Hz)、VLF1(0.015～0.04Hz)、VLF2(0.004～0.015Hz)的脉搏压的波形。各个带宽波形相互具有分形的结构。当设定与各个带宽相应的时间轴和振幅轴时，全部成为相同的结构，且仅仅根据各个带宽来设定信号的接收机的时间常数，就能够接收该带宽的信号。此外，图15的1/f的线表示量子力学的波动能量＝固定(hν＝固定、h：普朗克常数、ν：频率)，有可能解释为，表示生物体可检测出的最低的脉搏压波动能量。这样，脉搏压波动能量的传送可以说是能量效率最佳的传送方法。
图16的1/f积分为，从图14的窦房结经由压力感受器而至脑干的1/f滤波器为止的系统的逆过程，可以说是决定用于实现通过脑干内的呼吸、血压、植物神经系统等的中枢而运算的实施了高斯偏差的akp+1、ωkp+1(k：h，l，v，w，…p：i，j，n，m)的心率间隔Tr+1和血液每搏输出量exp(Ar+1)的传递函数。虽然该函数形式不明确，但被推测为，由新生儿暴露于各种环境刺激并到成为成年人为止在脑干中形成(适应环境)的神经网络实现的。
虽然在以上的实施例中，将脉搏波波形或心率间隔波形分为HF、LF、VLF1、VLF2这四个带宽而实施了数据处理，但针对高于0.4Hz的频率，也实施同样的数据处理。图20示出了脉搏波波形和除实施例的四个带宽之外还实施了VHF1(1.5～4Hz)、VHF2(0.4～1.5Hz)这两个带宽的带通滤波器处理后的波形。
当在0.002～50Hz的范围内对该脉搏波波形进行FFT处理时，如图21那样，可知在0.4～40Hz的频率范围内也存在数据结构。该频率范围与脑电波(δ波、θ波、α波、β波)的频带一致。
以下，示出针对这些频带而实施了同样的信息处理的结果。针对VHF1(1.5～4Hz)、VHF2(0.4～1.5Hz)、UHF1(15～40Hz)、UHF2(4～15Hz)这四个带宽，提取对数振幅项，分别在图22中示出它们的直方图、正态分布拟合线以及分布系数。
而且，针对VHF1(1.5～4Hz)、VHF2(0.4～1.5Hz)、UHF1(15～40Hz)、UHF2(4～15Hz)这四个带宽，提取频率项，使它们的直方图、正态分布拟合线以及分布系数分别在图23中示出。由此可知，针对这些频带，也能够以各个带宽的分布系数来记述生理状态。
图24表示本发明的一个方式所涉及的植物神经指标计算系统1的一个示例。植物神经指标计算系统1包括脉搏波传感器10、放大器20、A/D转换器30、信息处理装置40、显示器50、存储装置60。植物神经指标计算系统1能够作为具备这些装置的一个装置来构成。在该情况下，作为植物神经指标计算系统1的具体例，可以列举PC(Personal Computer，个人计算机)、树莓派(Raspberry Pi)、智能电话、可佩戴式终端、平板电脑终端等。
此外，植物神经指标计算系统1也可以将这些装置作为单独的装置来构成。例如，植物神经指标计算系统1能够作为包括具备脉搏波传感器10、放大器20以及A/D转换器30的装置和具备信息处理装置40、显示器50以及存储装置60的装置的系统来构成。此外，植物神经指标计算系统1能够作为包括具备脉搏波传感器10、放大器20以及A/D转换器30的装置和具备信息处理装置40、显示器50、存储装置60的装置的系统来构成。这些装置能够经由可由LAN(Local Area Network，局域网)以及/或WAN(Wide Area Network，广域网)构成的网络来相互通信。此外，能够通过有线或无线来实施这些各个装置之间的通信。
脉搏波传感器10为从生物体对脉搏波进行检测的装置。脉搏波传感器10向放大器20提供作为表示检测出的脉搏波的时间序列数据的脉搏波信号。另外，虽然在图24中，示出了单一的脉搏波传感器10，但植物神经指标计算系统1能够包括多个脉搏波传感器10。
放大器20为将从脉搏波传感器10提供的脉搏波信号放大的装置。A/D转换器30将作为从放大器20提供的模拟信号的脉搏波信号转换为数字信号，并将被数字化的脉搏波信号提供给信息处理装置40。另外，A/D转换器30向信息处理装置40提供作为时间序列数据的脉搏波信号。
信息处理装置40为利用从A/D转换器30提供的脉搏波信号而对生物体的植物神经指标进行计算的装置。作为信息处理装置40的具体例，可以列举PC、CPU(CentralProcessing Unit，中央处理单元)、MPU(Micro Processing Unit，微处理单元)、ECU(Electronic Control Unit，电子控制单元)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)、ASIC(Application Specific Integrated Circuit，特定用途集成电路)等。信息处理装置40通过执行后文所述的植物神经指标计算程序而实现植物神经指标计算方法。信息处理装置40使显示器50显示被计算出的植物神经指标。
显示器50为对由信息处理装置40计算出的植物神经指标等各种信息进行显示的装置。存储装置60为保存植物神经指标计算程序等各种信息的存储装置。
图25为表示植物神经指标计算程序100的一个示例的图。植物神经指标计算程序100包括脉搏波波形生成部101、心率间隔波形生成部102、带通滤波器103、复数化部104、指标计算部105。
脉搏波波形生成部101为利用从A/D转换器30提供的至少一个脉搏波信号而生成脉搏波波形数据的程序模块。心率间隔波形生成部102为利用从A/D转换器30提供的至少一个脉搏波信号而生成心率间隔波形数据的程序模块。
带通滤波器103为对脉搏波波形生成部101所生成的脉搏波波形数据和心率间隔波形生成部102所生成的心率间隔波形数据进行滤波的程序模块。更详细而言，带通滤波器103对脉搏波波形数据以及心率间隔波形数据的至少一方实施FFT变换，通过至少一个既定的频带而对被变换的脉搏波波形数据以及心率间隔波形数据进行带宽分割。既定的频带例如包括0.004～0.015Hz(VLF2)、0.015～0.04Hz(VLF1)、0.04～0.15Hz(LF)、0.15～0.4Hz(HF)、0.4～1.5Hz(VHF2)、1.5～4Hz(VHF1)、4～15Hz(UHF2)、以及15～40Hz(UHF1)等带宽。
复数化部104为使通过带通滤波器103而被滤波的脉搏波波形数据以及心率间隔波形数据的至少一方进行复数化的程序模块。具体而言，复数化部104对被滤波的脉搏波波形数据进行复数化，对被复数化的脉搏波波形数据(以下，称为“脉搏波复杂波形数据”)进行计算。此外，复数化部104对被滤波的心率间隔波形数据进行复数化，并对被复数化的心率间隔波形数据(以下，称为“心率间隔复杂波形数据”)进行计算。复数化部104作为复数化方法例如能够采用希尔伯特变换。另外，复数化方法不限于希尔伯特变换，能够采用任意的复数化方法。
指标计算部105为基于脉搏波复杂波形数据以及心率间隔复杂波形数据的至少一方而对生物体的植物神经指标进行计算的程序模块。具体而言，指标计算部105能够计算相当于脉搏波复杂波形数据的振幅项ak(t)的绝对值的瞬时振幅来作为植物神经指标。此外，指标计算部105能够计算相当于脉搏波复杂波形数据的相位项ωk(t)的时间微分值的瞬时频率来作为植物神经指标。
此外，指标计算部105能够以既定的时间间隔对基于脉搏波复杂波形数据的瞬时振幅的分布进行计算，并计算基于脉搏波复杂波形数据的瞬时振幅的分布的分布系数来作为植物神经指标。而且，指标计算部105能够以既定的时间间隔对基于脉搏波复杂波形数据的瞬时频率的分布进行计算，并计算基于脉搏波复杂波形数据的瞬时频率的分布的分布系数来作为植物神经指标。
而且，指标计算部105能够计算相当于心率间隔复杂波形数据的振幅项Ak(t)的绝对值的瞬时振幅来作为植物神经指标。而且，指标计算部105能够计算相当于心率间隔复杂波形数据的相位项Ωk(t)的时间微分值的瞬时频率来作为植物神经指标。
而且，指标计算部105能够以既定的时间间隔而对基于心率间隔复杂波形数据的瞬时振幅的分布进行计算，并计算基于心率间隔复杂波形数据的瞬时振幅的分布的分布系数来作为植物神经指标。而且，指标计算部105能够以既定的时间间隔对基于心率间隔复杂波形数据的瞬时频率的分布进行计算，并计算基于心率间隔复杂波形数据的瞬时频率的分布的分布系数来作为植物神经指标。
而且，指标计算部105能够计算作为脉搏波复杂波形数据以及心率间隔复杂波形数据的相位项的差值的瞬时相位差θk(t)来作为植物神经指标。如数学式3所示，瞬时相位差θk(t)能够通过从心率间隔复杂波形数据的相位项Ωk(t)t中减去脉搏波复杂波形数据的相位项ωk(t)t而导出。
而且，指标计算部105能够以既定的时间间隔对瞬时相位差θk(t)的分布进行计算，并计算基于瞬时相位差θk(t)的分布的分布系数来作为植物神经指标。
图26为表示在本发明的一个方式所涉及的植物神经指标计算系统1中被实施的处理的一个示例的流程图。
在步骤S101中，脉搏波波形生成部101利用至少一个脉搏波信号而生成脉搏波波形数据。在步骤S102中，带通滤波器103以至少一个频带对脉搏波波形数据进行滤波。在步骤S103中，复数化部104使被滤波的脉搏波波形数据进行复数化，从而生成至少一个频带的脉搏波复杂波形数据。
在步骤S104中，心率间隔波形生成部102利用至少一个脉搏波信号而生成心率间隔波形数据。在步骤S105中，带通滤波器103以至少一个频带对心率间隔波形数据进行滤波。在步骤S106中，复数化部104使被滤波的心率间隔波形数据进行复数化，从而生成至少一个频带的心率间隔复杂波形数据。
在步骤S107中，指标计算部105利用至少一个频带的脉搏波复杂波形数据以及心率间隔复杂波形数据，对脉搏波复杂波形数据的瞬时振幅、脉搏波复杂波形数据的瞬时频率、心率间隔复杂波形数据的瞬时振幅、心率间隔复杂波形数据的瞬时频率、以及脉搏波复杂波形数据和心率间隔复杂波形数据的瞬时相位差θk(t)进行计算。在步骤S108中，指标计算部105以既定的时间间隔，利用在步骤S107中计算出的信息，针对至少一个频带，对脉搏波复杂波形数据的瞬时振幅的分布系数、脉搏波复杂波形数据的瞬时频率的分布系数、心率间隔复杂波形数据的瞬时振幅的分布系数、心率间隔复杂波形数据的瞬时频率的分布系数、以及瞬时相位差θk(t)的分布系数进行计算，并结束图26的处理。
另外，在图26所示的处理中，计算脉搏波复杂波形数据的瞬时振幅的分布系数及瞬时频率的分布系数、心率间隔复杂波形数据的瞬时振幅的分布系数及瞬时频率的分布系数、以及瞬时相位差θk(t)的分布系数来作为植物神经指标，但植物神经指标计算系统1能够计算这些分布系数中的至少一个来作为植物神经指标。
作为高于0.4Hz的频带(VHF1、VHF2、UHF1以及UHF2等)中的信息处理方法，也可以代替心率间隔波形，而利用脑电波波形来实施图26所示的处理。由于脑电波振幅与神经元放电频率成比例且由此被认为也与脑血流成比例，因此，也可以通过在数学上对脑电波带宽的脉搏波波形和脑电波的相互作用进行记述，而对生理状态进行更加详细的记述。能够通过求出脉搏波波形和脑电波波形的振幅项和相位差项的分布系数而对记述生理状态的指标进行计算。
脑的功能左右不同，而在左右的脑中被供给的血流量当然也不同。在实际利用NIRS等装置而对脑血流进行测量时，左右的脑血流不同。因此，向脑供给血液的颈动脉内的血流左右不同。能够在左右的颈动脉或耳朵、颞颥上安装多个脉搏波传感器来对脉搏波进行测量，并对记述与左右的脉搏波和脑电波相关联的生理状态的指标进行计算。
而且，对于低于0.004Hz的频率(例如，0.0004Hz～0.004Hz)，也能够实施同样的分析。对于该范围的频率，能够实施非常长的时间(几十小时～几个月)的测量，并利用得到的测量数据来对植物神经指标进行计算。
在生物体的生理状态中，除了存在植物神经系统的作用之外，还存在免疫系统的作用、昼夜波动、周间波动、季节波动等非常长的周期的波动。在短于植物神经系统的周期中，存在δ波、θ波、α波、β波、γ波等脑电波。表示此次提案的生理状态的指标提示了通过统一的方法来总括地表示这些各种各样的生理状态的指标。
表示生理状态的脉搏波(脉搏压)ψ(t)能够如以下的方式通过频带k的线性组合来表达。
数学式8
ψ(t)＝∑exp(ak+iωk)t (8)
在此，k表示被划分为所期望的频带中的一个频带。
当以本发明的方法在所期望的期间内针对各个频带k而对脉搏波进行观察时，在生理状态处于稳定状态时，瞬时对数振幅项ak和瞬时频率项ωk一般呈高斯分布。通过对该分布的平均值和方差进行观测，而能够从昼夜波动或季节波动等非常长的周期波动总括地对δ波、θ波、α波、β波、γ波等脑电波的较短周期波动的生理指标进行记述。
在上述的示例中，程序利用各种类型的非临时性的计算机可读介质(non-transitory computer readable medium)而被存储，并提供给计算机。非临时性的计算机可读介质包括各种各样的类型的具有实体的记录介质(tangible storage medium)。非临时性的计算机可读介质的示例包括磁记录介质(例如，软盘、磁带、硬盘驱动器)、光磁记录介质(例如，光磁盘)、CD-ROM、CD-R、CD-R/W、半导体存储器(例如，掩膜ROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、闪存ROM、RAM)。此外，程序也可以通过各种各样的类型的临时性的计算机可读介质(transitory computer readable medium)而提供给计算机。临时性的计算机可读介质的示例包括电信号、光信号以及电磁波。临时性的计算机可读介质能够经由电线以及光纤等有线通信线路、或经由无线通信线路而将程序供给至计算机。在该计算机中，包括CPU、MPU、ECU、FPGA或ASIC等各种半导体装置。
本发明不限于上述的实施方式，能够在不脱离本发明的主旨的范围下适当地变更。
根据这样描述的公开，显而易见的是，公开的实施例可以以许多方式进行改变。这样的变更不应被视为背离了本公开的精神和范围，并且，对于本领域技术人员来说显而易见的，所有这些改变都旨在包含在本文技术方案的范围内。

Claims (15)

1.一种植物神经指标计算系统，其对生物体的植物神经指标进行计算，所述植物神经指标计算系统包括：
脉搏波波形生成部，其利用所述生物体的至少一个脉搏波信号来生成脉搏波波形数据；
带通滤波器，其以至少一个既定的频带对所生成的所述脉搏波波形数据进行滤波；
复数化部，其对被滤波的所述脉搏波波形数据进行复数化，而对所述至少一个既定的频带的脉搏波复杂波形数据进行计算；
指标计算部，其基于计算出的所述脉搏波复杂波形数据，对所述至少一个既定的频带的所述生物体的植物神经指标进行计算，
所述指标计算部计算相当于所述脉搏波复杂波形数据的振幅项的绝对值的瞬时振幅以及相当于所述脉搏波复杂波形数据的相位项的时间微分值的瞬时频率的至少一方，并以既定的时间间隔对所述瞬时振幅以及所述瞬时频率的至少一方的分布进行计算，并且计算基于所述瞬时振幅的分布的所述瞬时振幅的分布系数以及基于所述瞬时频率的分布的所述瞬时频率的分布系数的至少一方来作为所述植物神经指标。
2.如权利要求1所述的植物神经指标计算系统，其中，
所述频带包括0.004～0.015Hz、0.015～0.04Hz、0.04～0.15Hz以及0.15～0.4Hz这四个带宽的至少任意一个。
3.如权利要求1所述的植物神经指标计算系统，其中，
所述频带包括0.4～1.5Hz、1.5～4Hz、4～15Hz以及15～40Hz这四个带宽的至少任意一个。
4.一种植物神经指标计算系统，其对生物体的植物神经指标进行计算，所述植物神经指标计算系统包括：
心率间隔波形生成部，其利用所述生物体的至少一个脉搏波信号来生成心率间隔波形数据；
带通滤波器，其以至少一个既定的频带对所生成的所述心率间隔波形数据进行滤波；
复数化部，其对被滤波的所述心率间隔波形数据进行复数化，而对所述至少一个既定的频带的心率间隔复杂波形数据进行计算；
指标计算部，其基于计算出的所述心率间隔复杂波形数据，对所述至少一个既定的频带的所述生物体的植物神经指标进行计算，
所述指标计算部计算相当于所述心率间隔复杂波形数据的振幅项的绝对值的瞬时振幅以及相当于所述心率间隔复杂波形数据的相位项的时间微分值的瞬时频率的至少一方，并以既定的时间间隔对所述瞬时振幅以及所述瞬时频率的至少一方的分布进行计算，并且计算基于所述瞬时振幅的分布的所述瞬时振幅的分布系数以及基于所述瞬时频率的分布的所述瞬时频率的分布系数的至少一方来作为所述植物神经指标。
5.如权利要求4所述的植物神经指标计算系统，其中，
所述频带包括0.004～0.015Hz、0.015～0.04Hz、0.04～0.15Hz以及0.15～0.4Hz这四个带宽的至少任意一个。
6.如权利要求4所述的植物神经指标计算系统，其中，
所述频带包括0.4～1.5Hz、1.5～4Hz、4～15Hz以及15～40Hz这四个带宽的至少任意一个。
7.一种植物神经指标计算系统，其对生物体的植物神经指标进行计算，所述植物神经指标计算系统包括：
脉搏波波形生成部，其利用所述生物体的至少一个脉搏波信号来生成脉搏波波形数据；
心率间隔波形生成部，其利用所述生物体的至少一个脉搏波信号来生成心率间隔波形数据；
带通滤波器，其以至少一个既定的频带对所生成的所述脉搏波波形数据以及所述心率间隔波形数据进行滤波；
复数化部，其对被滤波的所述脉搏波波形数据以及所述心率间隔波形数据进行复数化，而对所述至少一个既定的频带的脉搏波复杂波形数据以及心率间隔复杂波形数据进行计算；
指标计算部，其基于计算出的所述脉搏波复杂波形数据以及所述心率间隔复杂波形数据，对所述至少一个既定的频带的所述生物体的植物神经指标进行计算，
所述指标计算部计算所述脉搏波复杂波形数据的相位项和所述心率间隔复杂波形数据的相位项的差值即瞬时相位差，并以既定的时间间隔对所述瞬时相位差的分布进行计算，并且计算基于所述瞬时相位差的分布的分布系数来作为所述植物神经指标。
8.如权利要求7所述的植物神经指标计算系统，其中，
所述频带包括0.004～0.015Hz、0.015～0.04Hz、0.04～0.15Hz以及0.15～0.4Hz这四个带宽的至少任意一个。
9.如权利要求7所述的植物神经指标计算系统，其中，
所述频带包括0.4～1.5Hz、1.5～4Hz、4～15Hz以及15～40Hz这四个带宽的至少任意一个。
10.一种植物神经指标计算方法，其对生物体的植物神经指标进行计算，其中，
利用所述生物体的至少一个脉搏波信号来生成脉搏波波形数据；
以至少一个既定的频带对所生成的所述脉搏波波形数据进行滤波；
对被滤波的所述脉搏波波形数据进行复数化，而对所述至少一个既定的频带的脉搏波复杂波形数据进行计算；
基于计算出的所述脉搏波复杂波形数据，对所述至少一个既定的频带的所述生物体的植物神经指标进行计算，
所述植物神经指标的计算包括如下处理，即：
计算相当于所述脉搏波复杂波形数据的振幅项的绝对值的瞬时振幅以及相当于所述脉搏波复杂波形数据的相位项的时间微分值的瞬时频率的至少一方，
并以既定的时间间隔对所述瞬时振幅以及所述瞬时频率的至少一方的分布进行计算，并且计算基于所述瞬时振幅的分布的所述瞬时振幅的分布系数以及基于所述瞬时频率的分布的所述瞬时频率的分布系数的至少一方来作为所述植物神经指标。
11.一种植物神经指标计算方法，其对生物体的植物神经指标进行计算，其中，
利用所述生物体的至少一个脉搏波信号来生成心率间隔波形数据；
以至少一个既定的频带对所生成的所述心率间隔波形数据进行滤波；
对被滤波的所述心率间隔波形数据进行复数化，而对所述至少一个既定的频带的心率间隔复杂波形数据进行计算；
基于计算出的所述心率间隔复杂波形数据，对所述至少一个既定的频带的所述生物体的植物神经指标进行计算，
所述植物神经指标的计算包括如下处理，即：
计算相当于所述心率间隔复杂波形数据的振幅项的绝对值的瞬时振幅以及相当于所述心率间隔复杂波形数据的相位项的时间微分值的瞬时频率的至少一方，
并以既定的时间间隔对所述瞬时振幅以及所述瞬时频率的至少一方的分布进行计算，并且计算基于所述瞬时振幅的分布的所述瞬时振幅的分布系数以及基于所述瞬时频率的分布的所述瞬时频率的分布系数的至少一方来作为所述植物神经指标。
12.一种植物神经指标计算方法，其对生物体的植物神经指标进行计算，其中，
利用所述生物体的至少一个脉搏波信号来生成脉搏波波形数据；
利用所述生物体的至少一个脉搏波信号来生成心率间隔波形数据；
以至少一个既定的频带对所生成的所述脉搏波波形数据以及所述心率间隔波形数据进行滤波；
对被滤波的所述脉搏波波形数据以及所述心率间隔波形数据进行复数化，而对所述至少一个既定的频带的脉搏波复杂波形数据以及心率间隔复杂波形数据进行计算；
基于计算出的所述脉搏波复杂波形数据以及所述心率间隔复杂波形数据，对所述至少一个既定的频带的所述生物体的植物神经指标进行计算，
所述植物神经指标的计算包括如下处理，即：
计算所述脉搏波复杂波形数据的相位项和所述心率间隔复杂波形数据的相位项的差值即瞬时相位差，
并以既定的时间间隔对所述瞬时相位差的分布进行计算，并且计算基于所述瞬时相位差的分布的分布系数来作为所述植物神经指标。
13.一种计算机可读介质，其存储有对生物体的植物神经指标进行计算的植物神经指标计算程序，以使信息处理装置执行如下的步骤，即：
利用所述生物体的至少一个脉搏波信号来生成脉搏波波形数据的步骤；
以至少一个既定的频带对所生成的所述脉搏波波形数据进行滤波的步骤；
对被滤波的所述脉搏波波形数据进行复数化，而对所述至少一个既定的频带的脉搏波复杂波形数据进行计算的步骤；
基于计算出的所述脉搏波复杂波形数据，对所述至少一个既定的频带的所述生物体的植物神经指标进行计算的步骤，
在对所述植物神经指标进行计算的步骤中包括如下处理，即：
计算相当于所述脉搏波复杂波形数据的振幅项的绝对值的瞬时振幅以及相当于所述脉搏波复杂波形数据的相位项的时间微分值的瞬时频率的至少一方，
并以既定的时间间隔对所述瞬时振幅以及所述瞬时频率的至少一方的分布进行计算，并且计算基于所述瞬时振幅的分布的所述瞬时振幅的分布系数以及基于所述瞬时频率的分布的所述瞬时频率的分布系数的至少一方来作为所述植物神经指标。
14.一种计算机可读介质，其存储有对生物体的植物神经指标进行计算的植物神经指标计算程序，以使信息处理装置执行如下的步骤，即：
利用所述生物体的至少一个脉搏波信号来生成心率间隔波形数据的步骤；
以至少一个既定的频带对所生成的所述心率间隔波形数据进行滤波的步骤；
对被滤波的所述心率间隔波形数据进行复数化，而对所述至少一个既定的频带的心率间隔复杂波形数据进行计算的步骤；
基于计算出的所述心率间隔复杂波形数据，对所述至少一个既定的频带的所述生物体的植物神经指标进行计算的步骤，
在对所述植物神经指标进行计算的步骤中包括如下处理，即：
计算相当于所述心率间隔复杂波形数据的振幅项的绝对值的瞬时振幅以及相当于所述心率间隔复杂波形数据的相位项的时间微分值的瞬时频率的至少一方，
并以既定的时间间隔对所述瞬时振幅以及所述瞬时频率的至少一方的分布进行计算，并且计算基于所述瞬时振幅的分布的所述瞬时振幅的分布系数以及基于所述瞬时频率的分布的所述瞬时频率的分布系数的至少一方来作为所述植物神经指标。
15.一种计算机可读介质，其存储有对生物体的植物神经指标进行计算的植物神经指标计算程序，以使信息处理装置执行如下的步骤，即：
利用所述生物体的至少一个脉搏波信号来生成脉搏波波形数据的步骤；
利用所述生物体的至少一个脉搏波信号来生成心率间隔波形数据的步骤；
以至少一个既定的频带对所生成的所述脉搏波波形数据以及所述心率间隔波形数据进行滤波的步骤；
对被滤波的所述脉搏波波形数据以及所述心率间隔波形数据进行复数化，而对所述至少一个既定的频带的脉搏波复杂波形数据以及心率间隔复杂波形数据进行计算的步骤；
基于计算出的所述脉搏波复杂波形数据以及所述心率间隔复杂波形数据，对所述至少一个既定的频带的所述生物体的植物神经指标进行计算的步骤，
在对所述植物神经指标进行计算的步骤中包括如下处理，即：
计算所述脉搏波复杂波形数据的相位项和所述心率间隔复杂波形数据的相位项的差值即瞬时相位差，
并以既定的时间间隔对所述瞬时相位差的分布进行计算，并且计算基于所述瞬时相位差的分布的分布系数来作为所述植物神经指标。
CN202111405747.1A 2020-11-26 2021-11-24 植物神经指标计算系统、植物神经指标计算方法以及计算机可读介质 Active CN114533000B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020195961A JP7327363B2 (ja) 2020-11-26 2020-11-26 自律神経指標算出システム、自律神経指標算出方法及び自律神経指標算出プログラム
JP2020-195961 2020-11-26

Publications (2)

Publication Number Publication Date
CN114533000A CN114533000A (zh) 2022-05-27
CN114533000B true CN114533000B (zh) 2024-04-26

Family

ID=78789727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111405747.1A Active CN114533000B (zh) 2020-11-26 2021-11-24 植物神经指标计算系统、植物神经指标计算方法以及计算机可读介质

Country Status (4)

Country Link
US (1) US20220160288A1 (zh)
EP (1) EP4005468B1 (zh)
JP (1) JP7327363B2 (zh)
CN (1) CN114533000B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000296118A (ja) * 1999-04-14 2000-10-24 Japan Science & Technology Corp 生体信号解析方法および装置
JP2002330935A (ja) * 2001-05-10 2002-11-19 Denso Corp 脈拍変動解析装置、脈拍変動解析方法、プログラム、及び記録媒体
JP2003265422A (ja) * 2002-03-14 2003-09-24 Denso Corp 脈波計測装置
JP2003339651A (ja) * 2002-05-22 2003-12-02 Denso Corp 脈波解析装置及び生体状態監視装置
CN102209493A (zh) * 2009-03-10 2011-10-05 混沌技术研究所 植物神经平衡运算装置或其方法
JP2013215609A (ja) * 2013-06-26 2013-10-24 Nippon Koden Corp 自律神経活動計測装置及び計測方法
JP5408751B2 (ja) * 2012-03-27 2014-02-05 国立大学法人東北大学 自律神経機能測定装置
TW201626952A (zh) * 2015-01-26 2016-08-01 Sen Science Inc 穿戴式生理檢測裝置
JP2020074805A (ja) * 2018-11-05 2020-05-21 株式会社安藤・間 ドライバーの状態推定方法及び装置
CN111629666A (zh) * 2017-11-16 2020-09-04 皇家飞利浦有限公司 用于感测生理参数的系统和方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS51133480A (en) 1975-05-14 1976-11-19 Kikkoman Corp Culture apparatus
EP3052008B1 (en) * 2013-10-01 2017-08-30 Koninklijke Philips N.V. Improved signal selection for obtaining a remote photoplethysmographic waveform

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000296118A (ja) * 1999-04-14 2000-10-24 Japan Science & Technology Corp 生体信号解析方法および装置
JP2002330935A (ja) * 2001-05-10 2002-11-19 Denso Corp 脈拍変動解析装置、脈拍変動解析方法、プログラム、及び記録媒体
JP2003265422A (ja) * 2002-03-14 2003-09-24 Denso Corp 脈波計測装置
JP2003339651A (ja) * 2002-05-22 2003-12-02 Denso Corp 脈波解析装置及び生体状態監視装置
CN102209493A (zh) * 2009-03-10 2011-10-05 混沌技术研究所 植物神经平衡运算装置或其方法
JP5408751B2 (ja) * 2012-03-27 2014-02-05 国立大学法人東北大学 自律神経機能測定装置
JP2013215609A (ja) * 2013-06-26 2013-10-24 Nippon Koden Corp 自律神経活動計測装置及び計測方法
TW201626952A (zh) * 2015-01-26 2016-08-01 Sen Science Inc 穿戴式生理檢測裝置
CN111629666A (zh) * 2017-11-16 2020-09-04 皇家飞利浦有限公司 用于感测生理参数的系统和方法
JP2020074805A (ja) * 2018-11-05 2020-05-21 株式会社安藤・間 ドライバーの状態推定方法及び装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An Open-source Algorithm to Detect Onset of Arterial Blood Pressure Pulses;W ZONG;COMPUTERS IN CARDIOLOGY 2003;第30卷;全文 *
Extraction of Response Waveforms of Heartbeat and Blood Pressure to Swallowing Using Mixed Signal Processing of Time Domain and Respiratory Phase Domain;Numata, T; et al;METHODS OF INFORMATION IN MEDICINE;第54卷(第2期);全文 *
基于Hilbert-Huang变换的心率变异信号分析与处理;李合龙, 王文波, 吴洪武等;深圳大学学报(理工版);第27卷(第3期);全文 *

Also Published As

Publication number Publication date
CN114533000A (zh) 2022-05-27
JP2022084231A (ja) 2022-06-07
US20220160288A1 (en) 2022-05-26
EP4005468A1 (en) 2022-06-01
JP7327363B2 (ja) 2023-08-16
EP4005468B1 (en) 2023-08-30

Similar Documents

Publication Publication Date Title
van Westrhenen et al. Ictal autonomic changes as a tool for seizure detection: a systematic review
Almazaydeh et al. Obstructive sleep apnea detection using SVM-based classification of ECG signal features
Nasehi et al. Seizure detection algorithms based on analysis of EEG and ECG signals: a survey
Migliorini et al. Automatic sleep staging based on ballistocardiographic signals recorded through bed sensors
US11504056B2 (en) Method for classifying anesthetic depth in operations with total intravenous anesthesia
KR20130050817A (ko) 뉴로-퍼지 네트워크 기반 심박 변이도를 이용한 우울증 진단 방법
US10244978B2 (en) Method for assessment of cerebrovascular regulation
Zhao et al. Evaluation of consistency of HRV indices change among different emotions
Gürüler et al. Feature selection on single-lead ECG for obstructive sleep apnea diagnosis
CN114533000B (zh) 植物神经指标计算系统、植物神经指标计算方法以及计算机可读介质
Aydin Determination of autoregressive model orders for seizure detection
Ramteke et al. Stress detection of students at academic level from heart rate variability
Bonjyotsna et al. Correlation of drowsiness with electrocardiogram: A review
US12036004B2 (en) Physiological state index calculation system, physiological state index calculation method, and non-transitory computer readable medium
Pernice et al. Minimally invasive assessment of mental stress based on wearable wireless physiological sensors and multivariate biosignal processing
Soueidan et al. The effect of blood pressure variability on the estimation of the systolic and diastolic pressures
Raghavendra et al. Multiscale fractal dimension technique for characterization and analysis of biomedical signals
Kang et al. Multi bio-signal based algorithm using EMD and FFT for stress analysis
Kondo et al. Separate estimation of long-and short-term systolic blood pressure variability from photoplethysmograph
Biju et al. Classification of ictal EEG using modeling based spectral and temporal features on instantaneous amplitude-frequency components of IMFs
Markovics et al. Testing and Analysis of the HRV Signals from Wearable Smart HRV Sensors
Peya et al. ASD detection using Higuchi’s fractal dimension from EEG
Saidatul et al. The assessment of developed mental stress elicitation protocol based on heart rate and EEG signals
Gautam et al. Analysis of HRV signal for disease diagnosis
Das et al. Effects of Indian Classical Music on Heart Rate Variability

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