CN115177263A - 基于动静结合的心脏检测方法、系统和可读存储介质 - Google Patents
基于动静结合的心脏检测方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN115177263A CN115177263A CN202211108076.7A CN202211108076A CN115177263A CN 115177263 A CN115177263 A CN 115177263A CN 202211108076 A CN202211108076 A CN 202211108076A CN 115177263 A CN115177263 A CN 115177263A
- Authority
- CN
- China
- Prior art keywords
- data
- heart
- detected person
- environment
- heart detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 162
- 230000003068 static effect Effects 0.000 title claims abstract description 29
- 230000033764 rhythmic process Effects 0.000 claims abstract description 77
- 230000033001 locomotion Effects 0.000 claims abstract description 40
- 230000036541 health Effects 0.000 claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 29
- 230000010485 coping Effects 0.000 claims abstract description 26
- 230000010349 pulsation Effects 0.000 claims abstract description 24
- 238000010835 comparative analysis Methods 0.000 claims abstract description 14
- 208000024891 symptom Diseases 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 7
- 230000000747 cardiac effect Effects 0.000 claims description 47
- 238000003062 neural network model Methods 0.000 claims description 24
- 230000003862 health status Effects 0.000 claims description 22
- 230000010354 integration Effects 0.000 claims 3
- 238000000034 method Methods 0.000 abstract description 15
- 206010049418 Sudden Cardiac Death Diseases 0.000 abstract description 7
- 208000010125 myocardial infarction Diseases 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 24
- 230000010351 cardiac pulsation Effects 0.000 description 12
- 206010003119 arrhythmia Diseases 0.000 description 9
- 230000006793 arrhythmia Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000035622 drinking Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 206010003671 Atrioventricular Block Diseases 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 2
- 206010033557 Palpitations Diseases 0.000 description 2
- 206010040741 Sinus bradycardia Diseases 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005189 cardiac health Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000008510 paroxysmal tachycardia Diseases 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000541 pulsatile effect Effects 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/332—Portable devices specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/44—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing persons
- G01G19/50—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing persons having additional measuring devices, e.g. for height
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开的一种基于动静结合的心脏检测方法、系统和可读存储介质,其中方法包括:基于预设的心脏检测装置获取被检测人员的心脏检测数据;获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,其中,所述身体环境至少包括休息环境以及运动环境;提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据;基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案。本发明可以通过检测被测人员在休息环境下和运动环境下的心脏心律以及心脏脉动声音等变化结合被测人员自身的症状进行对比分析,能够输出对应的风险数据以及应对方案信息,以降低例如心肌梗死、心源性猝死等风险。
Description
技术领域
本发明涉及医疗健康管理技术领域,更具体的,涉及一种基于动静结合的心脏检测方法、系统和可读存储介质。
背景技术
随着人们生活水平的不断提高与工作压力的不断增加,人们的健康问题也逐步加重,尤其是针对于心脏类疾病(如心肌梗死)越来越普遍化与年轻化,已逐渐成为严重威胁人类生病健康的主要疾病之一,由此,如何有效监护心脏健康是值得关注的问题。
目前,心脏健康的主要监护方式例如有定期体检,或者在突发性的心脏不适时前往急救中心进行救助,但是,该种监护方式下,存在因监护不及时与救助不及时等问题而导致的心脏问题等风险。
发明内容
本发明的目的是提供一种基于动静结合的心脏检测方法、系统和可读存储介质,可以通过检测被测人员在休息环境下和运动环境下的心脏心律以及心脏脉动声音等变化结合被测人员自身的症状进行对比分析,能够输出对应的风险数据以及应对方案信息,以降低例如心肌梗死、心源性猝死等风险。
本发明第一方面提供了一种基于动静结合的心脏检测方法,包括以下步骤:
基于预设的心脏检测装置获取被检测人员的心脏检测数据;
获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,其中,所述身体环境至少包括休息环境以及运动环境;
提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据;
基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案。
本方案中,所述基于预设的心脏检测装置获取被检测人员的心脏检测数据,具体包括:
所述心脏检测装置检测所述被检测人员时得到所述心脏检测数据,其中,所述心脏检测装置为所述被检测人员预先设置;
得到的所述心脏检测数据至少包括所述被检测人员的心律数据以及心脏脉动声音数据。
本方案中,所述获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,具体包括:
获取所述被检测人员在所述休息环境以及所述运动环境下的所述心脏检测数据;
基于所述被检测人员在所述休息环境以及所述运动环境下的心律数据形成心脏心律图;
基于所述被检测人员在所述休息环境以及所述运动环境下的心脏脉动声音数据形成心脏脉动声音大小曲线。
本方案中,所述提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据,具体包括:
基于所述被检测人员对应的症状数据,以及所述心脏心律图与所述心脏脉动声音大小曲线作对比分析,其中,
将分析所用的各类数据输入到训练好的神经网络模型中,得到模型输出的所述被检测人员对应的所述健康状态数据,其中,所述健康状态数据至少包括所述被检测人员的病例数据以及风险数据。
本方案中,所述基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案,具体包括:
基于所述风险数据调用预设的数据库生成基础应对信息;
基于所述病例数据以及所述风险数据结合所述用户输入数据生成特定应对信息,其中,所述用户输入数据包括医生医嘱;
基于所述基础应对信息以及所述特定应对信息得到所述应对方案。
本方案中,识别到所述心脏心律图的心律变换率超过心律安全阈值时,发出告警提醒。
本发明第二方面还提供一种基于动静结合的心脏检测系统,包括存储器和处理器,所述存储器中包括基于动静结合的心脏检测方法程序,所述基于动静结合的心脏检测方法程序被所述处理器执行时实现如下步骤:
基于预设的心脏检测装置获取被检测人员的心脏检测数据;
获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,其中,所述身体环境至少包括休息环境以及运动环境;
提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据;
基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案。
本方案中,所述基于预设的心脏检测装置获取被检测人员的心脏检测数据,具体包括:
所述心脏检测装置检测所述被检测人员时得到所述心脏检测数据,其中,所述心脏检测装置为所述被检测人员预先设置;
得到的所述心脏检测数据至少包括所述被检测人员的心律数据以及心脏脉动声音数据。
本方案中,所述获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,具体包括:
获取所述被检测人员在所述休息环境以及所述运动环境下的所述心脏检测数据;
基于所述被检测人员在所述休息环境以及所述运动环境下的心律数据形成心脏心律图;
基于所述被检测人员在所述休息环境以及所述运动环境下的心脏脉动声音数据形成心脏脉动声音大小曲线。
本方案中,所述提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据,具体包括:
基于所述被检测人员对应的症状数据,以及所述心脏心律图与所述心脏脉动声音大小曲线作对比分析,其中,
将分析所用的各类数据输入到训练好的神经网络模型中,得到模型输出的所述被检测人员对应的所述健康状态数据,其中,所述健康状态数据至少包括所述被检测人员的病例数据以及风险数据。
本方案中,所述基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案,具体包括:
基于所述风险数据调用预设的数据库生成基础应对信息;
基于所述病例数据以及所述风险数据结合所述用户输入数据生成特定应对信息,其中,所述用户输入数据包括医生医嘱;
基于所述基础应对信息以及所述特定应对信息得到所述应对方案。
本方案中,识别到所述心脏心律图的心律变换率超过心律安全阈值时,发出告警提醒。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于动静结合的心脏检测方法程序,所述基于动静结合的心脏检测方法程序被处理器执行时,实现如上述任一项所述的一种基于动静结合的心脏检测方法的步骤。
本发明公开的一种基于动静结合的心脏检测方法、系统和可读存储介质,可以通过检测被测人员在休息环境下和运动环境下的心脏心律以及心脏脉动声音等变化结合被测人员自身的症状进行对比分析,能够输出对应的风险数据以及应对方案信息,以降低例如心肌梗死、心源性猝死等风险。
附图说明
图1示出了本发明一种基于动静结合的心脏检测方法的流程图;
图2示出了本发明一种基于动静结合的心脏检测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种基于动静结合的心脏检测方法的流程图。
如图1所示,本申请公开了一种基于动静结合的心脏检测方法,包括以下步骤:
S102,基于预设的心脏检测装置获取被检测人员的心脏检测数据;
S104,获取所述被检测人员在不同身体环境下对应的所述心脏检测数据;
S106,提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据;
S108,基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案。
需要说明的是,所述被检测人员随身携带有所述心脏检测装置,通过所述心脏检测装置可以获取所述被检测人员在不同身体环境下的所述心脏检测数据,其中,所述身体环境例如运动环境、休息环境等等,而所述心脏检测数据例如心律变化和/或心脏脉动声音变化等等,通过提取所述被检测人员在不同的身体环境下的所述心脏检测数据作对比分析可以得到所述健康状态数据,例如基于训练好的神经网络模型,将所述被检测人员在运动环境和/或休息环境下的心律变化以及心脏脉动声音变化作为所述神经网络模型的输入,基于所述神经网络模型的输出数据得到所述被检测人员对应的所述健康状态数据,其中,所述健康状态数据例如有所述被检测人员的病例数据以及风险数据,而后基于所述健康状态数据结合所述用户输入数据可以生成所述被检测人员的应对方案,以此来及时有效、随时随地检测心脏,以降低例如心肌梗死、心源性猝死等风险。
根据本发明实施例,所述基于预设的心脏检测装置获取被检测人员的心脏检测数据,具体包括:
所述心脏检测装置检测所述被检测人员时得到所述心脏检测数据,其中,所述心脏检测装置为所述被检测人员预先设置;
得到的所述心脏检测数据至少包括所述被检测人员的心律数据以及心脏脉动声音数据。
需要说明的是,于本实施例中,上述实施例中说明所述心脏检测装置可为所述被检测人员随身携带(所述心脏检测装置例如便携式心电监护仪),或者预先设置在某地方便所述被检测人员拿取,基于所述心脏检测装置可以得到所述心脏检测数据,其中,所述心脏检测数据至少包括所述被检测人员的心律数据以及心脏脉动声音数据,还可以包括其他关于心脏检测的数据,具体视不同的所述心脏检测装置而定。
根据本发明实施例,所述获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,具体包括:
获取所述被检测人员在所述休息环境以及所述运动环境下的所述心脏检测数据;
基于所述被检测人员在所述休息环境以及所述运动环境下的心律数据形成心脏心律图;
基于所述被检测人员在所述休息环境以及所述运动环境下的心脏脉动声音数据形成心脏脉动声音大小曲线。
需要说明的是,于本实施例中,上述实施例中说明所述身体环境至少包括所述休息环境以及所述运动环境,因此,基于所述被检测人员在所述休息环境以及所述运动环境下的心律数据形成心脏心律图,和/或心脏脉动声音数据形成心脏脉动声音大小曲线,其中,所述心脏心律图将所述休息环境以及所述运动环境下的两个心律数据进行同步显示,其中一张图显示所述休息环境下的心律数据,另一张图显示所述运动环境下的心律数据;相应地,所述心脏脉动声音大小曲线也为两条,分别对应为所述休息环境以及所述运动环境心脏脉动声音数据得到的对应曲线。
根据本发明实施例,所述提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据,具体包括:
基于所述被检测人员对应的症状数据,以及所述心脏心律图与所述心脏脉动声音大小曲线作对比分析,其中,
将分析所用的各类数据输入到训练好的神经网络模型中,得到模型输出的所述被检测人员对应的所述健康状态数据,其中,所述健康状态数据至少包括所述被检测人员的病例数据以及风险数据。
需要说明的是,于本实施例中,通过历史大数据结合深度学习网络训练生成所述神经网络模型,生成步骤于本实施例中不做赘述,为本领域技术人员常规手段,将所述被检测人员对应的症状数据,以及所述心脏心律图与所述心脏脉动声音大小曲线作为所述神经网络模型的输入,进而基于所述神经网络模型的输出数据得到所述被检测人员对应的所述健康状态数据,其中,所述神经网络模型输出数据中至少包括所述被检测人员的病例数据以及风险数据。
具体地,所述神经网络模型的训练步骤包括:将训练数据分成训练集以及测试集,比例可以为“9:1”,其中,所述训练数据的样本容量越多越好,其中,训练数据即为各种病例数据、风险数据以及医生结合该病号对应检测到的病号在休息以及运动环境下的心脏心律图以及心脏脉动声音大小曲线,采用SOFTMAX函数作为网络训练的损失函数,将所述训练集输入到RNN结构的神经网络对其进行迭代训练,迭代的次数根据用户输入的值进行确定,一般可设为“10000”次,将每次训练集训练得到的初始模型用所述测试集进行精度测试,直至迭代“10000”次以后,从得到的所有初始模型中选择精度最高的模型作为本申请所公开的所述神经网络模型。
根据本发明实施例,所述基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案,具体包括:
基于所述风险数据调用预设的数据库生成基础应对信息;
基于所述病例数据以及所述风险数据结合所述用户输入数据生成特定应对信息,其中,所述用户输入数据包括医生医嘱;
基于所述基础应对信息以及所述特定应对信息得到所述应对方案。
需要说明的是,于本实施例中,上述实施例中说明所述健康状态数据至少包括所述被检测人员的病例数据以及风险数据,因此,基于所述风险数据可以调用预设的数据库生成基础应对信息,例如,所述风险数据为“心律不齐”时对应的基础应对信息为“心律不齐需要注意以下几方面: 1、有充足睡眠; 2、减少重体力活动,要劳逸结合; 3、情绪要稳定,不要紧张、愤怒、忧虑; 4、戒烟、戒酒,不喝浓茶、浓咖啡、可乐;5、饮食要有规律”等等,而基于所述病例数据,以及所述风险数据结合所述用户输入数据可以生成所述特定应对信息,其中,所述病例数据为该被检测人员对应的历史病症,所述用户输入数据为所述医生医嘱,得到的所述特定应对信息针对不同的所述被检测人员是不同的,具体与被检测人员的病症,风险数据,医生医嘱有关,故基于所述基础应对信息以及所述特定应对信息可以得到所述应对方案,将其输出给所述被检测人员。
需要说明的是,心律不齐是指:心律不在正常范围内的跳动,其中,心律在 “160~220次/分”,常称为阵发性心动过速;心律低于“60次/分”者(一般在“40次/分”以上),称为窦性心动过缓;心律低于“40次/分”,应考虑有房室传导阻滞;心律过快超过“160次/分”,或低于“40次/分”,大多见于心脏病病人,病人常有心悸、胸闷、心前区不适等症状。
根据本发明实施例,识别到所述心脏心律图的心律变换率超过心律安全阈值时,发出告警提醒。
需要说明的是,于本实施例中,以上述实施例中心律不齐为例,对应的安全阈值为“60~160次/分”,即所述被检测人员对应的心律不在所述安全阈值内时,即为超过所述心律安全阈值,发出告警提醒,告知所述被检测人员心律异常,告警的方式可以通过显示屏显示或者语音提示。
值得一提的是,所述方法还包括基于不同的所述被检测人员调整所述安全阈值,具体包括:
获取所述被检测人员的设定数据;
基于所述设定数据调整所述安全阈值。
需要说明的是,于本实施例中,由于标准化的所述安全阈值为“60~160次/分”,但是这一阈值可以根据不同的被检测人员进行设定,具体可以通过所述被检测人员自行设定的所述设定数据对所述安全阈值进行调整,调整范围为“40~220次/分”。
值得一提的是,所述方法还包括将得到的所述心脏心律图以及所述心脏脉动声音大小曲线进行保存,具体包括:
获取所述心脏心律图以及心脏脉动声音大小曲线作为本地文件进行保存;
连接预设的存储云端,将所述心脏心律图以及所述心脏脉动声音大小曲线上传至所述存储云端进行保存。
需要说明的是,于本实施例中,为了每次检测的结果都有迹可循,通过对每次检测的结果进行保存可以达到这一目的,不仅可以保存在本地文件中,还可以保存在云端,方便利用移动通讯设备进行查看。
值得一提的是,所述方法还包括基于所述健康状态数据自动删除保存的所述心脏心律图以及所述心脏脉动声音大小曲线。
需要说明的是,于本实施例中,由于存储空间受限,为了更好地存储有效数据,可基于所述健康状态数据自动删除相对应的无效数据,其中,无效数据例如所述健康状态数据显示当前被检测人员健康状态良好时检测得到的所述心脏心律图以及所述心脏脉动声音大小曲线,即正常的数据可以自动删除,删除的数量或者删除周期可以根据需要设定。
值得一提的是,所述方法还包括在所述运动环境下按照预设的检测周期进行检测,具体包括:
识别到所述被检测人员处于所述运动环境时,第一次检测到的所述心脏检测数据作为临界检测数据;
基于下一个所述检测周期后,再基于所述心脏检测装置获取到新的所述心脏检测数据作为缓冲检测数据;
基于又一个所述检测周期后,基于所述心脏检测装置获取到又一新的所述心脏检测数据作为所述截止检测数据;
将所述临界检测数据,所述缓冲检测数据以及所述截止检测数据作均值计算,将计算结果作为所述运动环境下的所述心脏检测数据。
需要说明的是,于本实施例中,取所述检测周期为“1分钟”,通过对所述被检测人员的三次检测做均值计算可以得到更为合理的所述心脏检测数据,并将所述计算结果作为所述运动环境下的心脏检测数据输出。
图2示出了本发明一种基于动静结合的心脏检测系统的框图。
如图2所示,本发明公开了一种基于动静结合的心脏检测系统,包括存储器和处理器,所述存储器中包括基于动静结合的心脏检测方法程序,所述基于动静结合的心脏检测方法程序被所述处理器执行时实现如下步骤:
基于预设的心脏检测装置获取被检测人员的心脏检测数据;
获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,其中,所述身体环境至少包括休息环境以及运动环境;
提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据;
基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案。
需要说明的是,所述被检测人员随身携带有所述心脏检测装置,通过所述心脏检测装置可以获取所述被检测人员在不同身体环境下的所述心脏检测数据,其中,所述身体环境例如运动环境、休息环境等等,而所述心脏检测数据例如心律变化和/或心脏脉动声音变化等等,通过提取所述被检测人员在不同的身体环境下的所述心脏检测数据作对比分析可以得到所述健康状态数据,例如基于训练好的神经网络模型,将所述被检测人员在运动环境和/或休息环境下的心律变化以及心脏脉动声音变化作为所述神经网络模型的输入,基于所述神经网络模型的输出数据得到所述被检测人员对应的所述健康状态数据,其中,所述健康状态数据例如有所述被检测人员的病例数据以及风险数据,而后基于所述健康状态数据结合所述用户输入数据可以生成所述被检测人员的应对方案,以此来及时有效、随时随地检测心脏,以降低例如心肌梗死、心源性猝死等风险。
根据本发明实施例,所述基于预设的心脏检测装置获取被检测人员的心脏检测数据,具体包括:
所述心脏检测装置检测所述被检测人员时得到所述心脏检测数据,其中,所述心脏检测装置为所述被检测人员预先设置;
得到的所述心脏检测数据至少包括所述被检测人员的心律数据以及心脏脉动声音数据。
需要说明的是,于本实施例中,上述实施例中说明所述心脏检测装置可为所述被检测人员随身携带(所述心脏检测装置例如便携式心电监护仪),或者预先设置在某地方便所述被检测人员拿取,基于所述心脏检测装置可以得到所述心脏检测数据,其中,所述心脏检测数据至少包括所述被检测人员的心律数据以及心脏脉动声音数据,还可以包括其他关于心脏检测的数据,具体视不同的所述心脏检测装置而定。
根据本发明实施例,所述获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,具体包括:
获取所述被检测人员在所述休息环境以及所述运动环境下的所述心脏检测数据;
基于所述被检测人员在所述休息环境以及所述运动环境下的心律数据形成心脏心律图;
基于所述被检测人员在所述休息环境以及所述运动环境下的心脏脉动声音数据形成心脏脉动声音大小曲线。
需要说明的是,于本实施例中,上述实施例中说明所述身体环境至少包括所述休息环境以及所述运动环境,因此,基于所述被检测人员在所述休息环境以及所述运动环境下的心律数据形成心脏心律图,和/或心脏脉动声音数据形成心脏脉动声音大小曲线,其中,所述心脏心律图将所述休息环境以及所述运动环境下的两个心律数据进行同步显示,其中一张图显示所述休息环境下的心律数据,另一张图显示所述运动环境下的心律数据;相应地,所述心脏脉动声音大小曲线也为两条,分别对应为所述休息环境以及所述运动环境心脏脉动声音数据得到的对应曲线。
根据本发明实施例,所述提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据,具体包括:
基于所述被检测人员对应的症状数据,以及所述心脏心律图与所述心脏脉动声音大小曲线作对比分析,其中,
将分析所用的各类数据输入到训练好的神经网络模型中,得到模型输出的所述被检测人员对应的所述健康状态数据,其中,所述健康状态数据至少包括所述被检测人员的病例数据以及风险数据。
需要说明的是,于本实施例中,通过历史大数据结合深度学习网络训练生成所述神经网络模型,生成步骤于本实施例中不做赘述,为本领域技术人员常规手段,将所述被检测人员对应的症状数据,以及所述心脏心律图与所述心脏脉动声音大小曲线作为所述神经网络模型的输入,进而基于所述神经网络模型的输出数据得到所述被检测人员对应的所述健康状态数据,其中,所述神经网络模型输出数据中至少包括所述被检测人员的病例数据以及风险数据。
具体地,所述神经网络模型的训练步骤包括:将训练数据分成训练集以及测试集,比例可以为“9:1”,其中,所述训练数据的样本容量越多越好,其中,训练数据即为各种病例数据、风险数据以及医生结合该病号对应检测到的病号在休息以及运动环境下的心脏心律图以及心脏脉动声音大小曲线,采用SOFTMAX函数作为网络训练的损失函数,将所述训练集输入到RNN结构的神经网络对其进行迭代训练,迭代的次数根据用户输入的值进行确定,一般可设为“10000”次,将每次训练集训练得到的初始模型用所述测试集进行精度测试,直至迭代“10000”次以后,从得到的所有初始模型中选择精度最高的模型作为本申请所公开的所述神经网络模型。
根据本发明实施例,所述基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案,具体包括:
基于所述风险数据调用预设的数据库生成基础应对信息;
基于所述病例数据以及所述风险数据结合所述用户输入数据生成特定应对信息,其中,所述用户输入数据包括医生医嘱;
基于所述基础应对信息以及所述特定应对信息得到所述应对方案。
需要说明的是,于本实施例中,上述实施例中说明所述健康状态数据至少包括所述被检测人员的病例数据以及风险数据,因此,基于所述风险数据可以调用预设的数据库生成基础应对信息,例如,所述风险数据为“心律不齐”时对应的基础应对信息为“心律不齐需要注意以下几方面: 1、有充足睡眠; 2、减少重体力活动,要劳逸结合; 3、情绪要稳定,不要紧张、愤怒、忧虑; 4、戒烟、戒酒,不喝浓茶、浓咖啡、可乐;5、饮食要有规律”等等,而基于所述病例数据,以及所述风险数据结合所述用户输入数据可以生成所述特定应对信息,其中,所述病例数据为该被检测人员对应的历史病症,所述用户输入数据为所述医生医嘱,得到的所述特定应对信息针对不同的所述被检测人员是不同的,具体与被检测人员的病症,风险数据,医生医嘱有关,故基于所述基础应对信息以及所述特定应对信息可以得到所述应对方案,将其输出给所述被检测人员。
需要说明的是,心律不齐是指:心律不在正常范围内的跳动,其中,心律在 “160~220次/分”,常称为阵发性心动过速;心律低于“60次/分”者(一般在“40次/分”以上),称为窦性心动过缓;心律低于“40次/分”,应考虑有房室传导阻滞;心律过快超过“160次/分”,或低于“40次/分”,大多见于心脏病病人,病人常有心悸、胸闷、心前区不适等症状。
根据本发明实施例,识别到所述心脏心律图的心律变换率超过心律安全阈值时,发出告警提醒。
需要说明的是,于本实施例中,以上述实施例中心律不齐为例,对应的安全阈值为“60~160次/分”,即所述被检测人员对应的心律不在所述安全阈值内时,即为超过所述心律安全阈值,发出告警提醒,告知所述被检测人员心律异常,告警的方式可以通过显示屏显示或者语音提示。
值得一提的是,所述方法还包括基于不同的所述被检测人员调整所述安全阈值,具体包括:
获取所述被检测人员的设定数据;
基于所述设定数据调整所述安全阈值。
需要说明的是,于本实施例中,由于标准化的所述安全阈值为“60~160次/分”,但是这一阈值可以根据不同的被检测人员进行设定,具体可以通过所述被检测人员自行设定的所述设定数据对所述安全阈值进行调整,调整范围为“40~220次/分”。
值得一提的是,所述方法还包括将得到的所述心脏心律图以及所述心脏脉动声音大小曲线进行保存,具体包括:
获取所述心脏心律图以及心脏脉动声音大小曲线作为本地文件进行保存;
连接预设的存储云端,将所述心脏心律图以及所述心脏脉动声音大小曲线上传至所述存储云端进行保存。
需要说明的是,于本实施例中,为了每次检测的结果都有迹可循,通过对每次检测的结果进行保存可以达到这一目的,不仅可以保存在本地文件中,还可以保存在云端,方便利用移动通讯设备进行查看。
值得一提的是,所述方法还包括基于所述健康状态数据自动删除保存的所述心脏心律图以及所述心脏脉动声音大小曲线。
需要说明的是,于本实施例中,由于存储空间受限,为了更好地存储有效数据,可基于所述健康状态数据自动删除相对应的无效数据,其中,无效数据例如所述健康状态数据显示当前被检测人员健康状态良好时检测得到的所述心脏心律图以及所述心脏脉动声音大小曲线,即正常的数据可以自动删除,删除的数量或者删除周期可以根据需要设定。
值得一提的是,所述方法还包括在所述运动环境下按照预设的检测周期进行检测,具体包括:
识别到所述被检测人员处于所述运动环境时,第一次检测到的所述心脏检测数据作为临界检测数据;
基于下一个所述检测周期后,再基于所述心脏检测装置获取到新的所述心脏检测数据作为缓冲检测数据;
基于又一个所述检测周期后,基于所述心脏检测装置获取到又一新的所述心脏检测数据作为所述截止检测数据;
将所述临界检测数据,所述缓冲检测数据以及所述截止检测数据作均值计算,将计算结果作为所述运动环境下的所述心脏检测数据。
需要说明的是,于本实施例中,取所述检测周期为“1分钟”,通过对所述被检测人员的三次检测做均值计算可以得到更为合理的所述心脏检测数据,并将所述计算结果作为所述运动环境下的心脏检测数据输出。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于动静结合的心脏检测方法程序,所述基于动静结合的心脏检测方法程序被处理器执行时,实现如上述任一项所述的一种基于动静结合的心脏检测方法的步骤。
本发明公开的一种基于动静结合的心脏检测方法、系统和可读存储介质,可以通过检测被测人员在休息环境下和运动环境下的心脏心律以及心脏脉动声音等变化结合被测人员自身的症状进行对比分析,能够输出对应的风险数据以及应对方案信息,以降低例如心肌梗死、心源性猝死等风险。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (7)
1.一种基于动静结合的心脏检测方法,其特征在于,包括以下步骤:
基于预设的心脏检测装置获取被检测人员的心脏检测数据;
获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,其中,所述身体环境至少包括休息环境以及运动环境;
提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据;
基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案;
所述获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,具体包括:
获取所述被检测人员在所述休息环境以及所述运动环境下的所述心脏检测数据;
基于所述被检测人员在所述休息环境以及所述运动环境下的心律数据形成心脏心律图;
基于所述被检测人员在所述休息环境以及所述运动环境下的心脏脉动声音数据形成心脏脉动声音大小曲线;
基于所述被检测人员对应的症状数据,以及所述心脏心律图与所述心脏脉动声音大小曲线作对比分析,其中,
将分析所用的各类数据输入到训练好的神经网络模型中,得到模型输出的所述被检测人员对应的所述健康状态数据,其中,所述健康状态数据至少包括所述被检测人员的病例数据以及风险数据。
2.根据权利要求1所述的一种基于动静结合的心脏检测方法,其特征在于,所述基于预设的心脏检测装置获取被检测人员的心脏检测数据,具体包括:
所述心脏检测装置检测所述被检测人员时得到所述心脏检测数据,其中,所述心脏检测装置为所述被检测人员预先设置;
得到的所述心脏检测数据至少包括所述被检测人员的心律数据以及心脏脉动声音数据。
3.根据权利要求1所述的一种基于动静结合的心脏检测方法,其特征在于,所述基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案,具体包括:
基于所述风险数据调用预设的数据库生成基础应对信息;
基于所述病例数据以及所述风险数据结合所述用户输入数据生成特定应对信息,其中,所述用户输入数据包括医生医嘱;
基于所述基础应对信息以及所述特定应对信息得到所述应对方案。
4.根据权利要求1所述的一种基于动静结合的心脏检测方法,其特征在于,识别到所述心脏心律图的心律变换率超过心律安全阈值时,发出告警提醒。
5.一种基于动静结合的心脏检测系统,其特征在于,包括存储器和处理器,所述存储器中包括基于动静结合的心脏检测方法程序,所述基于动静结合的心脏检测方法程序被所述处理器执行时实现如下步骤:
基于预设的心脏检测装置获取被检测人员的心脏检测数据;
获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,其中,所述身体环境至少包括休息环境以及运动环境;
提取所述被检测人员在不同身体环境下中的所述心脏检测数据作对比分析得到所述被检测人员的健康状态数据;
基于所述健康状态数据结合用户输入数据生成所述被检测人员的应对方案;
所述获取所述被检测人员在不同身体环境下对应的所述心脏检测数据,具体包括:
获取所述被检测人员在所述休息环境以及所述运动环境下的所述心脏检测数据;
基于所述被检测人员在所述休息环境以及所述运动环境下的心律数据形成心脏心律图;
基于所述被检测人员在所述休息环境以及所述运动环境下的心脏脉动声音数据形成心脏脉动声音大小曲线;
基于所述被检测人员对应的症状数据,以及所述心脏心律图与所述心脏脉动声音大小曲线作对比分析,其中,
将分析所用的各类数据输入到训练好的神经网络模型中,得到模型输出的所述被检测人员对应的所述健康状态数据,其中,所述健康状态数据至少包括所述被检测人员的病例数据以及风险数据。
6.根据权利要求5所述的一种基于动静结合的心脏检测系统,其特征在于,所述基于预设的心脏检测装置获取被检测人员的心脏检测数据,具体包括:
所述心脏检测装置检测所述被检测人员时得到所述心脏检测数据,其中,所述心脏检测装置为所述被检测人员预先设置;
得到的所述心脏检测数据至少包括所述被检测人员的心律数据以及心脏脉动声音数据。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种基于动静结合的心脏检测方法程序,所述基于动静结合的心脏检测方法程序被处理器执行时,实现如权利要求1至4中任一项所述的一种基于动静结合的心脏检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211108076.7A CN115177263A (zh) | 2022-09-13 | 2022-09-13 | 基于动静结合的心脏检测方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211108076.7A CN115177263A (zh) | 2022-09-13 | 2022-09-13 | 基于动静结合的心脏检测方法、系统和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115177263A true CN115177263A (zh) | 2022-10-14 |
Family
ID=83524765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211108076.7A Pending CN115177263A (zh) | 2022-09-13 | 2022-09-13 | 基于动静结合的心脏检测方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115177263A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115602329A (zh) * | 2022-11-21 | 2023-01-13 | 毕胜普生物科技有限公司(Cn) | 心电信号处理方法、装置和相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180146929A1 (en) * | 2015-06-01 | 2018-05-31 | University Of Ulsan Foundation For Industry Cooperation | Device for predicting ventricular arrhythmia and method therefor |
CN108926338A (zh) * | 2018-05-31 | 2018-12-04 | 中南民族大学 | 基于深度学习的心率预测方法及装置 |
US20200093386A1 (en) * | 2018-09-21 | 2020-03-26 | Imec Vzw | Method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation |
KR20210097512A (ko) * | 2020-01-30 | 2021-08-09 | 연세대학교 원주산학협력단 | 휴식 상태와 활동 상태의 광용적맥파를 활용한 사용자 심장 상태 예측 방법 |
CN113303773A (zh) * | 2021-05-20 | 2021-08-27 | 武汉理工大学 | 运动风险评估方法、装置及可读存储介质 |
US20210345934A1 (en) * | 2018-08-21 | 2021-11-11 | Eko Devices, Inc. | Methods and systems for determining a physiological or biological state or condition of a subject |
-
2022
- 2022-09-13 CN CN202211108076.7A patent/CN115177263A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180146929A1 (en) * | 2015-06-01 | 2018-05-31 | University Of Ulsan Foundation For Industry Cooperation | Device for predicting ventricular arrhythmia and method therefor |
CN108926338A (zh) * | 2018-05-31 | 2018-12-04 | 中南民族大学 | 基于深度学习的心率预测方法及装置 |
US20210345934A1 (en) * | 2018-08-21 | 2021-11-11 | Eko Devices, Inc. | Methods and systems for determining a physiological or biological state or condition of a subject |
US20200093386A1 (en) * | 2018-09-21 | 2020-03-26 | Imec Vzw | Method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation |
KR20210097512A (ko) * | 2020-01-30 | 2021-08-09 | 연세대학교 원주산학협력단 | 휴식 상태와 활동 상태의 광용적맥파를 활용한 사용자 심장 상태 예측 방법 |
CN113303773A (zh) * | 2021-05-20 | 2021-08-27 | 武汉理工大学 | 运动风险评估方法、装置及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115602329A (zh) * | 2022-11-21 | 2023-01-13 | 毕胜普生物科技有限公司(Cn) | 心电信号处理方法、装置和相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lahdenoja et al. | Atrial fibrillation detection via accelerometer and gyroscope of a smartphone | |
CN108478209B (zh) | 心电信息动态监护方法和动态监护系统 | |
Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
JP6407933B2 (ja) | 患者の生存性を予測するシステム | |
CN108577830B (zh) | 一种面向用户的体征信息动态监护方法和动态监护系统 | |
EP2698112B1 (en) | Real-time stress determination of an individual | |
RU2657384C2 (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
US11412978B2 (en) | Information processing system and program | |
Maher et al. | HRV based Human Heart Disease Prediction and Classification using Machine Learning | |
CN114081462A (zh) | 一种基于多维度生理信息的心脏健康监护系统 | |
Cimr et al. | Automatic detection of breathing disorder from ballistocardiography signals | |
CN105232029A (zh) | 一种超低功耗可穿戴式动态心电自动分析设备的实现方法及设备 | |
CN115177263A (zh) | 基于动静结合的心脏检测方法、系统和可读存储介质 | |
US20220386966A1 (en) | Non-invasive prediction of risk for sudden cardiac death | |
CN115337018A (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
CN108430310A (zh) | 评估血压测量结果的可靠性的方法和用于实施该方法的装置 | |
CN113812933A (zh) | 基于可穿戴式设备的急性心肌梗死实时预警系统 | |
CN112037916A (zh) | 共享多功能防猝死生理信息检测系统及其方法 | |
CN108182974B (zh) | 病症评估方法、终端设备及计算机可读介质 | |
CN107753014A (zh) | 心电图检测方法 | |
CN113425272A (zh) | 一种通过穿戴设备采集数据分析房颤、室颤的方法 | |
CN111612042A (zh) | 左前分支传导阻滞的检测装置、存储介质及终端 | |
Pradeep et al. | A Low Cost and Portable Electrocardiogram (ECG) for Predicting Arrhythmia | |
WO2023193711A1 (en) | Contactless physiological measurement device and method | |
AU2021101272A4 (en) | An artificial intelligence based heart rate monitoring system for sports training |
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: 20221014 |