CN115137314B - 近视风险评估方法、装置及穿戴设备 - Google Patents
近视风险评估方法、装置及穿戴设备 Download PDFInfo
- Publication number
- CN115137314B CN115137314B CN202211068299.5A CN202211068299A CN115137314B CN 115137314 B CN115137314 B CN 115137314B CN 202211068299 A CN202211068299 A CN 202211068299A CN 115137314 B CN115137314 B CN 115137314B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- dopamine
- melatonin
- sympathetic nerve
- 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
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
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
-
- 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
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开涉及近视风险评估技术领域，提供了近视风险评估方法、装置及穿戴设备。该方法包括：获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据；将环境光强度数据、身体激素数据和交感神经兴奋度数据输入预先训练的近视风险评估模型，得到近视风险评估结果，其中，所述近视风险评估模型基于已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据训练得到。本公开实施例可以通过对环境光强度数据、身体激素数据（如褪黑素和/或多巴胺）和交感神经兴奋度数据的采集和处理，实现激素分泌时间的外部环境刻画，进而对身体激素数据（如褪黑素和/或多巴胺）进行综合监测，大大增加预测近视风险的精准度。
Description
技术领域
本公开涉及近视评估技术领域，尤其涉及近视风险评估方法、装置及穿戴设备。
背景技术
我国青少年近视率不断上升趋势，近视已经成为影响青少年健康的主要因素。近视主要受近距离工作、电子产品使用、户外活动、室内采光照明、睡眠和饮食情况等因素影响。现有预测近视风险的技术通过使用者佩戴专用的穿戴设备，收集平时眼球工作距离和眼睛受光照强度数据，通过空间数据挖掘，实现对近视环境风险因素的量化，评估使用者未来的近视风险。由于现有的近视风险预测技术并未考虑身体内的激素水平（如褪黑素、多巴胺）对近视的影响，导致预测效果较差。
发明内容
有鉴于此，本公开实施例提供了近视风险评估方法、装置及穿戴设备，以解决现有技术中预测效果较差的问题。
本公开实施例的第一方面，提供了一种近视风险评估方法，包括：
获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据；
将环境光强度数据、身体激素数据和交感神经兴奋度数据输入预先训练的近视风险评估模型，得到近视风险评估结果，其中，所述近视风险评估模型基于已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据训练得到。
本公开实施例的第二方面，提供了一种近视风险评估装置，包括：
获取模块，用于获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据；
评估模块，用于将环境光强度数据、身体激素数据和交感神经兴奋度数据输入预先训练的近视风险评估模型，得到近视风险评估结果，其中，所述近视风险评估模型基于已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据训练得到。
本公开实施例的第三方面，提供了一种穿戴设备，包括包括采集环境光的环境光检测装置，与皮肤接触的褪黑素检测装置、多巴胺检测装置和交感神经兴奋度检测装置，以及中央处理设备，其中，
所述环境光检测装置用于感应环境光的光信号并将感应到的环境光的光信号转化为环境光强度数据，并将所述环境光强度数据发送至所述中央处理设备；
所述褪黑素检测装置用于通过与汗液中的褪黑素发生电氧化反应，检测电氧化反应生成的第一氧化还原电流，并对所述第一氧化还原电流进行处理得到褪黑素数据，以及将所述褪黑素数据发送至所述中央处理设备；
所述多巴胺检测装置用于通过与汗液中的多巴胺发生电氧化反应，检测电氧化反应生成的第二氧化还原电流，并对所述第二氧化还原电流进行处理得到多巴胺数据，以及将所述多巴胺数据发送至所述中央处理设备；
所述交感神经兴奋度检测装置用于检测皮肤的异常电信号，生成交感神经兴奋度信号，并将所述交感神经兴奋度信号发送至所述中央处理设备；
所述中央处理设备用于执行时实现上述方法的步骤。
本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
有益效果
本公开实施例与现有技术相比存在的有益效果至少包括：通过对环境光强度数据、身体激素数据（如褪黑素和/或多巴胺）和交感神经兴奋度数据的采集和处理，实现激素分泌时间的外部环境刻画，进而对身体激素数据（如褪黑素和/或多巴胺）进行综合监测，大大增加预测近视风险的精准度。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是根据本公开实施例提供的近视风险评估方法的一个应场景的示意图；
图2是根据本公开实施例提供的一种近视风险评估方法的一些实施例的流程图；
图3是根据本公开实施例提供的另一种近视风险评估方法的另一些实施例的流程图；
图4是根据本公开实施例提供的一种近视风险评估装置的简易结构示意图；
图5是根据本公开实施例提供的穿戴设备中的中央处理设备的示意图；
图6是根据本公开实施例提供的手环的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关本公开相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的系统、装置、模块或单元进行区分，并非用于限定这些系统、装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开的一些实施例的近视风险评估方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取当前时间的环境光强度数据102、身体激素数据103和交感神经兴奋度数据104；其次，计算设备101可以将环境光强度数据102、身体激素数据103和交感神经兴奋度数据104输入预先训练的近视风险评估模型105，得到近视风险评估结果106，其中，所述近视风险评估模型基于已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据训练得到。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的近视风险评估方法的一些实施例的流程200。该方法可以由图1中的计算设备101来执行。该近视风险评估的方法，包括以下步骤：
步骤201，获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据。
在一些实施例中，近视风险评估方法的执行主体（如图1所示的计算设备101）可以通过有线连接方式或无线连接方式连接目标设备，然后，获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
环境光强度数据可以指环境光的光照强度的相关数据。身体激素数据可以指可以检测到的、与近视风险相关的、在人体内存在的激素的相关数据。上述身体激素数据可以包括褪黑素、多巴胺等。交感神经兴奋度数据可以指皮肤电导异常现象的相关数据，该异常现象由脑电刺激中的异常兴奋导致。
步骤202，将环境光强度数据、身体激素数据和交感神经兴奋度数据输入预先训练的近视风险评估模型，得到近视风险评估结果，其中，所述近视风险评估模型基于已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据训练得到。
在一些实施例中，上述执行主体可以将环境光强度数据、身体激素数据和交感神经兴奋度数据输入预先训练的近视风险评估模型，得到近视风险评估结果。该近视风险评估模型可以为各类机器学习模型，用于基于环境光强度数据、身体激素数据和交感神经兴奋度数据，预测近视风险的评估结果。作为示例，该近视风险评估模型可以为决策树模型、神经网络模型、支持向量机模型或聚类算法模型等基于不同算法的模型。近视风险评估结果可以指该风险评估模型预测的结果。该结果可以为符合预设范围的基于整数、百分比、实数等表现形式的数据，该结果还可以为基于整数、百分比、实数等转换而成的文字表述，如英文、中文或特殊符号等，在此不做具体限制。
显而易见地，预先训练的近视风险评估模型可以由已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据训练得到。
本公开的上述各个实施例中的其中一个实施例的有益效果至少包括：通过对环境光强度数据、身体激素数据（如褪黑素和/或多巴胺）和交感神经兴奋度数据的采集和处理，实现激素分泌时间的外部环境刻画，进而对身体激素数据（如褪黑素和/或多巴胺）进行综合监测，大大增加预测近视风险的精准度。
在一些实施例中，上述执行主体可以通过以下步骤获取所述环境光强度数据：基于当前感应到的环境光的光信号生成电阻变化信号；基于所述电阻变化信号生成电压变化信号；对所述电压变化信号进行针对环境噪声的滤波处理，得到滤波处理后的电压变化信号；将所述滤波处理后的电压变化信号中当前时间的电压变化数据确定为当前的电压变化数据；基于预设的转化系数以及所述电压变化数据，生成所述环境光强度数据。
对于环境光强度的检测，可以通过检测设备通过对环境光的光信号进行上述处理，最后生成检测到的环境光强度数据。转化系数可以指预设的针对电压变化数据以及光照强度数据的转化比值。该转化系数为已知的，可以是经过试验得到的数据，也可以是该行业的标准数据，根据需要设置，在此不做具体限制。
在一些实施例中，所述身体激素数据包括褪黑素数据和/或多巴胺数据，同时，上述执行主体可以基于以下步骤获取所述身体激素数据：获取检测部件与汗液中的褪黑素和/或多巴胺反应生成的电流信号；对所述电流信号进行信号放大处理，得到放大后的电流信号；将所述放大后的电流信号进行模数转换处理，得到数字形式的褪黑素信号和/或多巴胺信号；将所述数字形式的褪黑素信号和/或多巴胺信号中当前时间的褪黑素数据和/或多巴胺数据，确定为所述褪黑素数据和/或多巴胺数据。
在一些实施例中，上述执行主体可以基于以下步骤获取所述交感神经兴奋度数据：获取从皮肤表面检测到的异常电信号；对所述异常电信号进行针对高频干扰信号的滤波处理，得到滤波处理后的异常电信号；将滤波处理后的异常电信号进行经验模态分解，得到皮肤电导水平信号和皮肤电导反应信号，其中，所述皮肤电导水平信号的频率低于所述皮肤电导反应信号的频率；以当前时间为基点，向基点之前扩充第一预设时间长度，向基点之后扩充第二预设时间长度，生成采样窗口；计算所述皮肤电导水平信号在所述采样窗口中的皮肤电导基值数据；计算所述皮肤电导反应信号在所述采样窗口中的皮肤电导极大值数据；基于所述皮肤电导基值数据和所述皮肤电导极大值数据，生成所述交感神经兴奋度数据。
对于交感神经兴奋度数据的处理，需要结合一定时间窗口内的数据进行综合处理，以得到数据特征更优的的数据。本实施例以当前时间点为基准，向前或向后延伸一定比例的时间区间，计算区间内的变化数据以得到当前时间的数据的数据特征。异常电信号可以指检测到的皮肤的异常的混合信号。该异常电信号可以由噪声信号、直流信号和针对该直流信号的肌体产生的多个反映频率的其他信号混合而成。将异常电信号分解后，可以得到类似直线的表示该直流信号的皮肤电导水平信号，以及表示反应频率的皮肤电导反应信号；显而易见地，皮肤电导水平信号的变化非常缓慢，而皮肤电导反应信号的变化幅值较大。所述皮肤电导基值数据可以指皮肤电导反应信号在所述采样窗口中的平均值，近似表示该直流信号的数值。所述皮肤电导极大值数据可以指皮肤电导反应信号在所述采样窗口中的最大幅值。通过分解异常电信号以及通过设置的时间窗口进行计算，可以得到更为精准的交感神经兴奋度数据。
在一些实施例中，所述身体激素数据包括褪黑素数据和/或多巴胺数据；所述获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据之后，上述执行主体可以基于以下步骤进行处理：基于预设的第一系数对褪黑素数据进行校准；基于预设的第二系数对多巴胺数据进行校准；对所述环境光强度数据、交感神经兴奋度数据，以及校准后的褪黑素数据和多巴胺数据，进行针对周期干扰数据和高斯白噪声数据的耦合去噪处理，并将耦合去噪处理后的环境光强度数据、交感神经兴奋度数据，以及褪黑素数据和/或多巴胺数据，确定为所述预先训练的近视风险评估模型的输入数据。
由于数据处理过程涉及对信号的放大及其他处理，导致生成的褪黑素数据和/或多巴胺数据比例失真，因此需要对生成的褪黑素数据和/或多巴胺数据进行校正。第一系数和/或第二系数可以分别指针对褪黑素和多巴胺的校正系数。该第一系数和/或第二系数的校正系数的范围根据实际情况设定。该校正系数可以由试验确定，也可以由该领域的标准数据确定，在此不作限制。作为示例，该第一系数的范围可以为0.1-0.5。第二系数的范围可以为0.1-0.5。即将生成的褪黑素数据和/或多巴胺数据乘以第一系数和/或第二系数。需要指出的是，第一系数与第二系数可以相同，也可以不同。
在一些实施例中，所述预先训练的近视风险评估模型为决策树模型。选择模型时，需要考虑模型的计算消耗以及精准度，经过多种模型（或模型组合）的测试，决策树模型是针对本公开的较优模型，可以在达到需要的精准度的同时，减少计算消耗。
在一些实施例中，所述决策树模型是利用基于Boosting的XGBoost算法构建并训练的决策树模型，上述执行主体可以基于以下步骤训练该决策树模型：第一步，上述执行主体可以将已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据导入预设的原始决策树模型。原始决策树模型可以指预先设立的与本公开对应的，参数未进行优化的决策树模型。第二步，上述执行主体可以以所述原始决策树模型的深度作为正则化约束，通过残差拟合方式对所述决策树模型进行优化迭代，得到所述训练后的近视风险评估模型。正则化约束和残差拟合方式为机器学习较常见的处理方式，在此不作过多赘述。
继续参考图3，示出了根据本公开的近视风险评估方法的另一些实施例的流程300，该方法可以由图1中的计算设备101来执行。该近视风险评估方法包括：
步骤301，获取从皮肤表面检测到的异常电信号。
步骤302，对所述异常电信号进行针对高频干扰信号的滤波处理，得到滤波处理后的异常电信号。
步骤303，将滤波处理后的异常电信号进行经验模态分解，得到皮肤电导水平信号和皮肤电导反应信号，其中，所述皮肤电导水平信号的频率低于所述皮肤电导反应信号的频率。
步骤304，以当前时间为基点，向基点之前扩充第一预设时间长度，向基点之后扩充第二预设时间长度，生成采样窗口。
步骤305，计算所述皮肤电导水平信号在所述采样窗口中的皮肤电导基值数据。
步骤306，计算所述皮肤电导反应信号在所述采样窗口中的皮肤电导极大值数据。
步骤307，基于所述皮肤电导基值数据和所述皮肤电导极大值数据，生成当前时间的交感神经兴奋度数据。
步骤308，获取当前时间的环境光强度数据和身体激素数据。
步骤309，将环境光强度数据、身体激素数据和交感神经兴奋度数据输入预先训练的近视风险评估模型，得到近视风险评估结果。
在一些实施例中，步骤301-309的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤，在此不再赘述。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
进一步参考图4，作为对上述各图上述方法的实现，本公开提供了近视风险评估装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应。
如图4所示，一些实施例的近视风险评估装置400包括：
获取模块401，用于获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据。
评估模块402，用于将环境光强度数据、身体激素数据和交感神经兴奋度数据输入预先训练的近视风险评估模型，得到近视风险评估结果，其中，所述近视风险评估模型基于已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据训练得到。
在一些实施例的一些可选的实现方式中，获取所述环境光强度数据的步骤，包括：基于当前感应到的环境光的光信号生成电阻变化信号；基于所述电阻变化信号生成电压变化信号；对所述电压变化信号进行针对环境噪声的滤波处理，得到滤波处理后的电压变化信号；将所述滤波处理后的电压变化信号中当前时间的电压变化数据确定为当前的电压变化数据；基于预设的转化系数以及所述电压变化数据，生成所述环境光强度数据。
在一些实施例的一些可选的实现方式中，所述身体激素数据包括褪黑素数据和/或多巴胺数据；获取所述身体激素数据的步骤，包括：获取检测部件与汗液中的褪黑素和/或多巴胺反应生成的电流信号；对所述电流信号进行信号放大处理，得到放大后的电流信号；将所述放大后的电流信号进行模数转换处理，得到数字形式的褪黑素信号和/或多巴胺信号；将所述数字形式的褪黑素信号和/或多巴胺信号中当前时间的褪黑素数据和/或多巴胺数据，确定为所述褪黑素数据和/或多巴胺数据。
在一些实施例的一些可选的实现方式中，获取所述交感神经兴奋度数据的步骤，包括：获取从皮肤表面检测到的异常电信号；对所述异常电信号进行针对高频干扰信号的滤波处理，得到滤波处理后的异常电信号；将滤波处理后的异常电信号进行经验模态分解，得到皮肤电导水平信号和皮肤电导反应信号，其中，所述皮肤电导水平信号的频率低于所述皮肤电导反应信号的频率；以当前时间为基点，向基点之前扩充第一预设时间长度，向基点之后扩充第二预设时间长度，生成采样窗口；计算所述皮肤电导水平信号在所述采样窗口中的皮肤电导基值数据；计算所述皮肤电导反应信号在所述采样窗口中的皮肤电导极大值数据；基于所述皮肤电导基值数据和所述皮肤电导极大值数据，生成所述交感神经兴奋度数据。
在一些实施例的一些可选的实现方式中，所述身体激素数据包括褪黑素数据和/或多巴胺数据；所述获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据之后，还包括：第一校准模块，用于基于预设的第一系数对褪黑素数据进行校准；第二校准模块，用于基于预设的第二系数对多巴胺数据进行校准；确定模块，用于对所述环境光强度数据、交感神经兴奋度数据，以及校准后的褪黑素数据和多巴胺数据，进行针对周期干扰数据和高斯白噪声数据的耦合去噪处理，并将耦合去噪处理后的环境光强度数据、交感神经兴奋度数据，以及褪黑素数据和/或多巴胺数据，确定为所述预先训练的近视风险评估模型的输入数据。
在一些实施例的一些可选的实现方式中，所述预先训练的近视风险评估模型为决策树模型。
在一些实施例的一些可选的实现方式中，所述决策树模型是利用基于Boosting的XGBoost算法构建并训练的决策树模型，所述决策树模型的训练步骤包括：将已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据导入预设的原始决策树模型；以所述原始决策树模型的深度作为正则化约束，通过残差拟合方式对所述决策树模型进行优化迭代，得到所述训练后的近视风险评估模型。
可以理解的是，该装置400中记载的诸模块与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的模块，在此不再赘述。
如图5所示，中央处理设备500可以包括处理装置（例如中央处理器、图形处理器等）501，其可以根据存储在只读存储器（ROM）502中的程序或者从存储装置508加载到随机访问存储器（RAM）503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有中央处理设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许中央处理设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的中央处理设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该中央处理设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该中央处理设备执行时，使得该中央处理设备：
获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据；
将环境光强度数据、身体激素数据和交感神经兴奋度数据输入预先训练的近视风险评估模型，得到近视风险评估结果，其中，所述近视风险评估模型基于已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据训练得到。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：获取模块和评估模块。例如，获取模块还可以被描述为“获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
本公开还提供了一种穿戴设备，包括采集环境光的环境光检测装置，与皮肤接触的褪黑素检测装置、多巴胺检测装置和交感神经兴奋度检测装置，以及如图5所示的中央处理设备，其中，
所述环境光检测装置用于感应环境光的光信号并将感应到的环境光的光信号转化为环境光强度数据，并将所述环境光强度数据发送至所述中央处理设备；
所述褪黑素检测装置用于通过与汗液中的褪黑素发生电氧化反应，检测电氧化反应生成的第一氧化还原电流，并对所述第一氧化还原电流进行处理得到褪黑素数据，以及将所述褪黑素数据发送至所述中央处理设备；
所述多巴胺检测装置用于通过与汗液中的多巴胺发生电氧化反应，检测电氧化反应生成的第二氧化还原电流，并对所述第二氧化还原电流进行处理得到多巴胺数据，以及将所述多巴胺数据发送至所述中央处理设备；
所述交感神经兴奋度检测装置用于检测皮肤的异常电信号，生成交感神经兴奋度信号，并将所述交感神经兴奋度信号发送至所述中央处理设备；
所述中央处理设备用于执行图2对应的那些实施例中的步骤。
需要指出的是，中央处理设备可以设置于穿戴设备之中，也可以设置于可以与该穿戴设备有线或无线通信的其他服务器或处理设备。当中央处理设备设置于穿戴设备之中时，中央处理设备可以与上述环境光检测装置、褪黑素检测装置、多巴胺检测装置和交感神经兴奋度检测装置中的任一个或多个设置于该穿戴设备内的同一物理结构中，也可以单独设置于穿戴设备内的其中一个物理结构中。中央处理设备可以为集成设置或分布设置。中央处理设备的数量可以为1个或多个。根据需要进行上述设置，在此不做具体限制。
另外，该穿戴设备可以为手环、臂环、颈环、头环等可以紧贴皮肤的穿戴设备，也可以为设置有对应紧贴皮肤的检测装置的服饰等，在此不做具体限制。
在一些实施例中，所述环境光检测装置包括数据转换单元、与所述数据转换单元连接的第一滤波单元以及与所述数据转换单元连接的基于光敏电阻的光照检测单元；所述光照检测单元用于基于感应到的环境光的光数据生成电阻变化数据；所述数据转换单元用于将所述电阻变化数据转换为电压变化数据；所述第一滤波单元用于将所述电压变化数据进行针对环境噪声的滤波处理，得到滤波处理后的电压变化信号，基于所述滤波处理后的电压变化信号中当前时间的电压变化数据，以及预设的转化系数生成所述环境光强度数据。
在一些实施例中，所述褪黑素检测装置包括第一感应贴片、第一数据放大单元和第一模数转换单元，所述第一感应贴片由FeCo双金属合金嵌入碳纳米纤维制造而成；所述第一感应贴片与皮肤接触，用于作为检测部件与汗液中的褪黑素发生电氧化反应，在所述第一感应贴片的正负极之间产生第一氧化还原电流；所述第一数据放大单元与所述第一感应贴片连接，用于将所述第一氧化还原电流进行放大，得到放大后的第一氧化还原电流；所述第一模数转换单元与所述第一数据放大单元连接，用于对所述放大后的第一氧化还原电流进行转换，得到数字形式的褪黑素信号，所述数字形式的褪黑素信号中当前时间的褪黑素数据为所述褪黑素数据。需要指出的是，FeCo双金属合金还可以替换为就有相同性质的，可以与汗液中的褪黑素发生反应的已有的或未来发现的其他两种金属或其他材质的混合物，均属于本公开的保护范围。
在一些实施例中，所述多巴胺检测装置包括第二感应贴片、第二数据放大单元和第二模数转换单元，所述第二感应贴片由Ni-MOF复合材料或AuNPs复合材料包裹在碳纳米管上制造而成；所述第二感应贴片与皮肤接触，用于作为检测部件与汗液中的多巴胺发生电氧化反应，在所述第二感应贴片的正负极之间产生第二氧化还原电流；所述第二数据放大单元与所述第二感应贴片连接，用于将所述第二氧化还原电流进行放大，得到放大后的第二氧化还原电流；所述第二模数转换单元与所述第二数据放大单元连接，用于对所述放大后的第二氧化还原电流进行转换，得到数字形式的多巴胺信号，所述数字形式的多巴胺信号中当前时间的多巴胺数据为所述多巴胺数据。需要指出的是，Ni-MOF复合材料或AuNPs复合材料还可以替换为就有相同性质的，可以与汗液中的多巴胺发生反应的已有的或未来发现的其他两种金属或其他材质的混合物，均属于本公开的保护范围。
在一些实施例中，所述交感神经兴奋度检测装置包括接触皮肤的第三感应贴片和第二滤波单元；所述第三感应贴片用于从皮肤表面检测异常电数据；所述第二滤波单元与所述第三感应贴片连接，用于对所述异常电数据进行针对高频干扰数据的滤波处理，得到所述交感神经兴奋度信号。
请参考图6，在一些实施例中，所述穿戴设备为手环。所述手环贴近皮肤一侧可以设置有交替间隔设置的褪黑素检测装置阵列、多巴胺检测装置阵列以及交感神经兴奋度检测装置阵列，其中，所述褪黑素检测装置阵列包括至少两个褪黑素检测装置，所述多巴胺检测装置阵列包括至少两个多巴胺检测装置，所述交感神经兴奋度检测装置阵列包括至少两个交感神经兴奋度检测装置。相同检测装置可以为沿手环内侧径向设置，也可以基于手环内侧轴向设置，还可以通过符合预设规律的斜向设置或间隔设置等，根据需要选择，在此不做具体限制。通过设置检测装置阵列，可以增大检测的面积，从而提高检测的精准度和检测效率。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种近视风险评估装置，其特征在于，包括：
获取模块，用于获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据，
其中，获取当前时间的环境光强度数据具体包括：基于当前感应到的环境光的光信号生成电阻变化信号；基于所述电阻变化信号生成电压变化信号；对所述电压变化信号进行针对环境噪声的滤波处理，得到滤波处理后的电压变化信号；将所述滤波处理后的电压变化信号中当前时间的电压变化数据确定为当前的电压变化数据；基于预设的转化系数以及所述电压变化数据，生成环境光强度数据；
获取身体激素数据具体包括：获取检测部件与汗液中的身体激素数据反应生成的电流信号，其中，所述身体激素数据包括褪黑素数据和/或多巴胺数据；对所述电流信号进行信号放大处理，得到放大后的电流信号；将所述放大后的电流信号进行模数转换处理，得到数字形式的褪黑素信号和/或多巴胺信号；将所述数字形式的褪黑素信号和/或多巴胺信号中当前时间的褪黑素数据和/或多巴胺数据，确定为褪黑素数据和/或多巴胺数据；
获取交感神经兴奋度数据具体包括：获取从皮肤表面检测到的异常电信号；对所述异常电信号进行针对高频干扰信号的滤波处理，得到滤波处理后的异常电信号；将滤波处理后的异常电信号进行经验模态分解，得到皮肤电导水平信号和皮肤电导反应信号，其中，所述皮肤电导水平信号的频率低于所述皮肤电导反应信号的频率；以当前时间为基点，向基点之前扩充第一预设时间长度，向基点之后扩充第二预设时间长度，生成采样窗口；计算所述皮肤电导水平信号在所述采样窗口中的皮肤电导基值数据；计算所述皮肤电导反应信号在所述采样窗口中的皮肤电导极大值数据；基于所述皮肤电导基值数据和所述皮肤电导极大值数据，生成交感神经兴奋度数据；
评估模块，用于将所述环境光强度数据、身体激素数据和交感神经兴奋度数据输入预先训练的近视风险评估模型，得到近视风险评估结果，其中，所述近视风险评估模型基于已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据训练得到。
2.根据权利要求1所述的装置，其特征在于，所述获取当前时间的环境光强度数据、身体激素数据和交感神经兴奋度数据之后，还包括：
基于预设的第一系数对褪黑素数据进行校准；
基于预设的第二系数对多巴胺数据进行校准；
对所述环境光强度数据、交感神经兴奋度数据，以及校准后的褪黑素数据和多巴胺数据，进行针对周期干扰数据和高斯白噪声数据的耦合去噪处理，并将耦合去噪处理后的环境光强度数据、交感神经兴奋度数据，以及褪黑素数据和/或多巴胺数据，确定为所述预先训练的近视风险评估模型的输入数据。
3.根据权利要求1所述的装置，其特征在于，所述预先训练的近视风险评估模型为决策树模型。
4.根据权利要求3所述的装置，其特征在于，所述决策树模型是利用基于Boosting的XGBoost算法构建并训练的决策树模型，所述决策树模型的训练步骤包括：
将已知近视风险对应的环境光强度数据、身体激素数据和交感神经兴奋度数据导入预设的原始决策树模型；
以所述原始决策树模型的深度作为正则化约束，通过残差拟合方式对所述决策树模型进行优化迭代，得到所述训练后的近视风险评估模型。
5.一种穿戴设备，其特征在于，包括采集环境光的环境光检测装置，与皮肤接触的褪黑素检测装置、多巴胺检测装置和交感神经兴奋度检测装置，以及中央处理设备，其中，
所述环境光检测装置用于感应环境光的光信号并将感应到的环境光的光信号转化为环境光强度数据，并将所述环境光强度数据发送至所述中央处理设备；
所述褪黑素检测装置用于通过与汗液中的褪黑素发生电氧化反应，检测电氧化反应生成的第一氧化还原电流，并对所述第一氧化还原电流进行处理得到褪黑素数据，以及将所述褪黑素数据发送至所述中央处理设备；
所述多巴胺检测装置用于通过与汗液中的多巴胺发生电氧化反应，检测电氧化反应生成的第二氧化还原电流，并对所述第二氧化还原电流进行处理得到多巴胺数据，以及将所述多巴胺数据发送至所述中央处理设备；
所述交感神经兴奋度检测装置用于检测皮肤的异常电信号，生成交感神经兴奋度信号，并将所述交感神经兴奋度信号发送至所述中央处理设备；
所述中央处理设备包括如权利要求1-4任一项所述的近视风险评估装置。
6.根据权利要求5所述的穿戴设备，其特征在于，所述环境光检测装置包括数据转换单元、与所述数据转换单元连接的第一滤波单元以及与所述数据转换单元连接的基于光敏电阻的光照检测单元；
所述光照检测单元用于基于感应到的环境光的光数据生成电阻变化数据；
所述数据转换单元用于将所述电阻变化数据转换为电压变化数据；
所述第一滤波单元用于将所述电压变化数据进行针对环境噪声的滤波处理，得到滤波处理后的电压变化信号，基于所述滤波处理后的电压变化信号中当前时间的电压变化数据，以及预设的转化系数生成所述环境光强度数据。
7.根据权利要求5所述的穿戴设备，其特征在于，所述褪黑素检测装置包括第一感应贴片、第一数据放大单元和第一模数转换单元，所述第一感应贴片由FeCo双金属合金嵌入碳纳米纤维制造而成；
所述第一感应贴片与皮肤接触，用于作为检测部件与汗液中的褪黑素发生电氧化反应，在所述第一感应贴片的正负极之间产生第一氧化还原电流；
所述第一数据放大单元与所述第一感应贴片连接，用于将所述第一氧化还原电流进行放大，得到放大后的第一氧化还原电流；
所述第一模数转换单元与所述第一数据放大单元连接，用于对所述放大后的第一氧化还原电流进行转换，得到数字形式的褪黑素信号，所述数字形式的褪黑素信号中当前时间的褪黑素数据为所述褪黑素数据。
8.根据权利要求5所述的穿戴设备，其特征在于，所述多巴胺检测装置包括第二感应贴片、第二数据放大单元和第二模数转换单元，所述第二感应贴片由Ni-MOF复合材料或AuNPs复合材料包裹在碳纳米管上制造而成；
所述第二感应贴片与皮肤接触，用于作为检测部件与汗液中的多巴胺发生电氧化反应，在所述第二感应贴片的正负极之间产生第二氧化还原电流；
所述第二数据放大单元与所述第二感应贴片连接，用于将所述第二氧化还原电流进行放大，得到放大后的第二氧化还原电流；
所述第二模数转换单元与所述第二数据放大单元连接，用于对所述放大后的第二氧化还原电流进行转换，得到数字形式的多巴胺信号，所述数字形式的多巴胺信号中当前时间的多巴胺数据为所述多巴胺数据。
9.根据权利要求5所述的穿戴设备，其特征在于，所述交感神经兴奋度检测装置包括接触皮肤的第三感应贴片和第二滤波单元；
所述第三感应贴片用于作为检测部件从皮肤表面检测异常电数据；
所述第二滤波单元与所述第三感应贴片连接，用于对所述异常电数据进行针对高频干扰数据的滤波处理，得到所述交感神经兴奋度信号。
10.根据权利要求7至9任一项所述的穿戴设备，其特征在于，所述穿戴设备为手环。
11.根据权利要求10所述的穿戴设备，其特征在于，所述手环贴近皮肤一侧设置有交替间隔设置的褪黑素检测装置阵列、多巴胺检测装置阵列以及交感神经兴奋度检测装置阵列，其中，所述褪黑素检测装置阵列包括至少两个褪黑素检测装置，所述多巴胺检测装置阵列包括至少两个多巴胺检测装置，所述交感神经兴奋度检测装置阵列包括至少两个交感神经兴奋度检测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211068299.5A CN115137314B (zh) | 2022-09-02 | 2022-09-02 | 近视风险评估方法、装置及穿戴设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211068299.5A CN115137314B (zh) | 2022-09-02 | 2022-09-02 | 近视风险评估方法、装置及穿戴设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115137314A CN115137314A (zh) | 2022-10-04 |
| CN115137314B true CN115137314B (zh) | 2022-11-15 |
Family
ID=83415469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211068299.5A Active CN115137314B (zh) | 2022-09-02 | 2022-09-02 | 近视风险评估方法、装置及穿戴设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115137314B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007007777A1 (de) * | 2006-11-29 | 2008-06-05 | Eckhart Watzke | Verfahren für gesundes Sehen sowie optische Filter und deren Verwendung |
| CN108883060A (zh) * | 2016-02-19 | 2018-11-23 | 恩佐·玛丽亚·德安布罗西奥 | 用于预防/阻止人轴性近视的抗过敏剂与毒蕈碱拮抗剂和/或多巴胺能激动剂的组合 |
| CN109125049A (zh) * | 2018-03-20 | 2019-01-04 | 许昌学院 | 一种假性近视康复系统 |
| CN114080179A (zh) * | 2019-07-04 | 2022-02-22 | 维卫尔公司 | 确定近视的风险指标的技术 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10278863B2 (en) * | 2016-03-21 | 2019-05-07 | Ojai Retinal Technology, Llc | System and process for treatment of myopia |
-
2022
- 2022-09-02 CN CN202211068299.5A patent/CN115137314B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007007777A1 (de) * | 2006-11-29 | 2008-06-05 | Eckhart Watzke | Verfahren für gesundes Sehen sowie optische Filter und deren Verwendung |
| CN108883060A (zh) * | 2016-02-19 | 2018-11-23 | 恩佐·玛丽亚·德安布罗西奥 | 用于预防/阻止人轴性近视的抗过敏剂与毒蕈碱拮抗剂和/或多巴胺能激动剂的组合 |
| CN109125049A (zh) * | 2018-03-20 | 2019-01-04 | 许昌学院 | 一种假性近视康复系统 |
| CN114080179A (zh) * | 2019-07-04 | 2022-02-22 | 维卫尔公司 | 确定近视的风险指标的技术 |
Non-Patent Citations (1)
| Title |
|---|
| 《青少年近视与生物钟紊乱关系的研究进展》;贺平 等;《医药卫生科技》;20220115;第121-126页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115137314A (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghosh et al. | Energy-efficient IoT-health monitoring system using approximate computing | |
| US20200196875A1 (en) | Method, module and system for analysis of physiological signals | |
| KR101821967B1 (ko) | 생리적 신호의 자동화된 품질 평가 | |
| Al Disi et al. | ECG signal reconstruction on the IoT-gateway and efficacy of compressive sensing under real-time constraints | |
| US20160128586A1 (en) | System, method, and article for heart rate variability monitoring | |
| EP3718473A1 (en) | Intracerebral network activity estimation system, intracerebral network activity estimation method, intracerebral network activity estimation program, and learned brain activity estimation model | |
| CN110868912B (zh) | 神经生理信号中的伪影的移除 | |
| CN113645901B (zh) | 用于评估肌肉疲劳的装置和对应的计算机程序产品 | |
| CN106725415B (zh) | 电生理信号的处理方法和装置 | |
| US11576601B2 (en) | Artifact identification in EEG measurements | |
| CN115137314B (zh) | 近视风险评估方法、装置及穿戴设备 | |
| Shen et al. | Bio-signal analysis system design with support vector machines based on cloud computing service architecture | |
| Balamareeswaran et al. | Denoising of EEG signals using discrete wavelet transform based scalar quantization | |
| CN116473556A (zh) | 一种基于多位点皮肤生理响应的情感计算方法及系统 | |
| US20170273585A1 (en) | Method and system for eeg signal processing | |
| Antunes et al. | Automated detection of auditory response: applying sequential detection strategies with constant significance level to magnitude-squared coherence | |
| KR101661116B1 (ko) | 프로그래머블 멀티모달 생체신호 처리 모듈 및 이를 이용한 헬스케어 플랫폼 | |
| CN115137312B (zh) | 睡眠质量评估方法、装置及穿戴设备 | |
| CN115137313A (zh) | 同时针对睡眠质量以及近视风险的评估方法及装置 | |
| CN114764539A (zh) | 燃气轮机的排烟含氧量确定方法、装置、设备和介质 | |
| US20210145346A1 (en) | Systems, methods, and media for efficient real-time embedded processing of physiological signals using s transforms | |
| CN118039167B (zh) | 基于跌倒风险预警的智能护理系统及方法 | |
| TWI833276B (zh) | 睡眠覺醒判定系統、睡眠覺醒判定方法以及電腦程式 | |
| US20230363721A1 (en) | Apparatuses and systems for artifact reduction in electrodermal activity | |
| Shim et al. | A portable potentiostat with Bluetooth communication for square wave voltammetry measurement |
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 |