CN115299887A - 一种动态代谢功能的检测量化方法和系统 - Google Patents

一种动态代谢功能的检测量化方法和系统 Download PDF

Info

Publication number
CN115299887A
CN115299887A CN202211231914.XA CN202211231914A CN115299887A CN 115299887 A CN115299887 A CN 115299887A CN 202211231914 A CN202211231914 A CN 202211231914A CN 115299887 A CN115299887 A CN 115299887A
Authority
CN
China
Prior art keywords
metabolic
metabolism
signal
physiological
characteristic
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.)
Granted
Application number
CN202211231914.XA
Other languages
English (en)
Other versions
CN115299887B (zh
Inventor
何将
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.)
Anhui Xingchen Zhiyue Technology Co ltd
Original Assignee
Anhui Xingchen Zhiyue Technology Co ltd
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 Anhui Xingchen Zhiyue Technology Co ltd filed Critical Anhui Xingchen Zhiyue Technology Co ltd
Priority to CN202211231914.XA priority Critical patent/CN115299887B/zh
Publication of CN115299887A publication Critical patent/CN115299887A/zh
Application granted granted Critical
Publication of CN115299887B publication Critical patent/CN115299887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/4866—Evaluating metabolism
    • 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

Abstract

本发明提供了一种动态代谢功能的检测量化方法，按照动态代谢检测方案设计，让被试者处于不同强度的生理代谢水平状态，采集获取被试者的生理状态信号，得到第一代谢生理状态信号；对所述第一代谢生理状态信号进行处理分析得到第一代谢生理状态特征；对所述第一代谢生理状态特征进行代谢特征选择、特征序列归一化和代谢指数分析，得到第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集；与动态代谢功能对照数据库进行分析对比，得到被试动态代谢功能状态水平的检测量化报告。本发明能够动态地、系统地检测和量化被试或患者动态代谢功能的功能状态水平。

Description

一种动态代谢功能的检测量化方法和系统
技术领域
本发明涉及动态代谢功能检测量化领域，特别涉及一种动态代谢功能的检测量化方法和系统。
背景技术
肥胖症、糖尿病、低血糖症、血脂异常、高尿酸血症/痛风、骨质疏松症、甲状腺疾病等内分泌与代谢系统疾病越来越普遍，其患病人群规模非常巨大。由内分泌腺体或内分泌细胞分泌的激素活性物质，通过血液输送或组织液弥散等方式送至靶部位，与靶部位特异受体结合后产生细胞调节功能，然后通过肝、肾和外周组织等进行降解并生成无活性的代谢产物。人是个系统性生物，内分泌与代谢系统（内分泌系统）疾病将直接影响人体消化系统、呼吸系统、循环系统、神经系统、运动系统、泌尿系统以及生殖系统的正常运行，并在这些系统上带来相应生理改变或病理症状。
现有临床诊治中，内分泌与代谢系统疾病的诊疗依据主要来自患者临床表现、实验室和辅助检查手段。常见的实验室和辅助检查包括血液尿液生化检查、激素及代谢物测定、激素分泌动态实验、影像检查、免疫学检查、染色体和基因检查等。然而，现有的临床诊疗实践中对内分泌与代谢系统疾病的诊断和评估，属于节点静态生理生化分析，技术手段相对分散分离，缺乏动态性观察和系统性分析，尤其是缺乏内分泌系统-循环系统-呼吸系统-神经系统协同调控的系统检测手段和量化分析方法，因此难以准确评估被试或患者动态代谢功能的功能状态水平，无法进一步判断和识别内分泌与代谢系统疾病的病情特征、状态程度或治疗进展，无法给患者提供更有效的临床诊断和治疗康复方案。
现有的方案中，例如中国专利CN109157191A虽然公开了一种自主神经心肺代谢系统调控能力和调控状态的测量方案，但其主要采用的是测量和分析自主神经调控参数，获得自主神经调控能力指标和调控状态指标；其所设定的体外测量环境以及设定的活动场景是为了满足神经调控需求为出发点，其考虑的只是单一自主神经调控功能的测量，属于传统测量方式，并且分析手段单一，无法直观得到结果，依然不能够解决协同调控后的代谢水平的整体客观量化问题。
因此，现有技术有待改进以提高检测结果的准确性和全面性。
发明内容
针对现有方法的以上缺陷及改进需求，本发明的目的在于提供一种动态代谢功能的检测量化方法，可以动态地、系统地检测和量化被试或患者动态代谢功能的功能状态水平，进一步判断和识别内分泌与代谢系统疾病的病情特征、状态程度或治疗进展，辅助早期筛查、临床诊断和治疗。本发明还提供了一种动态代谢功能的检测量化系统，用于实现上述方法。
具体包括：
一种动态代谢功能的检测量化方法，包括如下步骤：
按照动态代谢检测方案设计，让被试者处于不同强度的生理代谢水平状态，采集获取被试者的生理状态信号，得到第一代谢生理状态信号；
对所述第一代谢生理状态信号进行数据预处理和数据分割，得到第二代谢生理状态信号；
对所述第二代谢生理状态信号进行信号整合处理、状态区间划分和信号特征分析，得到第一代谢生理状态特征；
对所述第一代谢生理状态特征进行代谢特征选择、特征序列归一化和代谢指数分析，得到第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集；
将被试的所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集与动态代谢功能对照数据库的第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集进行分析对比，得到被试动态代谢功能状态水平的检测量化报告，其中动态代谢功能对照数据库的第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集为与被试者同年龄段、同性别的健康人群和动态代谢功能障碍者人群的第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集。
更优地，所述动态代谢检测方案至少包括检测方式类型、情景状态、强度等级、检测时长、检测间隔。
更优地，所述检测方式类型至少包括环境因素刺激、肢体运动、精神活动。
更优地，所述强度等级至少包括环境因素强度队列、运动强度队列、情绪强度队列。
更优地，所述情景状态至少包括静息状态、运动状态和心理活动状态。
更优地，所述生理状态信号至少包括脉搏信号、血压信号、呼吸信号、心电信号、血糖信号、皮肤电信号、温度信号、血氧水平依赖BOLD信号，通过脉搏、血压、呼吸、心电、血糖、皮肤电、温度、功能性近红外光谱成像或功能性核磁共振成像的数据采集设备对检测部位采集得到。
更优地，所述检测部位至少包括头、颈、躯干、四肢的体表皮肤系统。
更优地，所述检测部位根据检测方式类型确定。
更优地，所述数据预处理至少包括A/D转换、重采样、降噪、去伪迹、滤波。
更优地，所述数据分割是根据所述动态代谢检测方案中不同强度等级，将所述生理状态信号中不同生理特征信号进行时间对齐和信号数据截取。
更优地，所述信号整合处理是将多部位或多通道的、同类型、同一强度等级的所述第二代谢生理状态信号进行整合处理。
更优地，所述整合处理方法至少包括提取平均叠加序列、加权叠加序列、最大振幅序列、最小方差序列、最小变异系数序列、最大变异系数序列中任意一序列。
更优地，所述状态区间划分至少包括基线状态区间、行为执行区间、观察分析区间、间隔静息区间。
更优地，所述信号特征分析包括脉搏信号特征、血压信号特征、呼吸信号特征、心电信号特征、血糖信号特征、皮肤电信号特征、温度信号特征、血氧水平依赖BOLD信号特征。
更优地，所述信号特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度。
更优地，所述血压信号特征至少包括收缩压、舒张压、平均动脉压的信号特征。
更优地，所述呼吸信号特征至少包括呼吸频率、呼吸间隔、呼吸深度的信号特征。
更优地，所述心电信号特征至少包括心率和心率变异性的信号特征。
更优地，所述皮肤电信号特征至少包括皮肤电导总水平、皮肤传导水平、皮肤电导反应的信号特征。
更优地，所述血氧水平依赖BOLD信号特征至少包括含氧血红蛋白、脱氧血红蛋白、总血红蛋白的信号特征。
更优地，所述代谢特征选择至少包括所述第一代谢生理状态特征的两个不同类型生理状态特征，作为所述代谢指数分析的数据源。
更优地，所述第一生理代谢曲线集至少包括基础代谢曲线、呼吸代谢曲线、血液代谢曲线、外周代谢曲线。
更优地，所述第一生理代谢指数集至少包括基础代谢指数、呼吸代谢指数、血液代谢指数、外周代谢指数。
更优地，所述第一生理代谢极值集至少包括基础代谢极值、呼吸代谢极值、血液代谢极值、外周代谢极值。
更优地，所述基础代谢极值、所述基础代谢曲线和所述基础代谢指数的计算方法，如下：
从所述第一代谢生理状态特征获取基线状态区间、观察分析区间、全部强度等级下的所述血压信号特征和所述脉搏信号特征，经特征选择，得到血压脉搏信号特征选择集；
提取同一强度等级下的所述血压脉搏信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的基础代谢系数；
计算得到全部强度等级下的基础代谢系数，生成第一代谢系数序列；
提取所述第一代谢系数序列的最大值，生成基础代谢极值；
对所述第一代谢系数序列进行函数拟合，生成基础代谢曲线；
对所述第一代谢系数序列与所述强度等级序列进行特征序列归一化，计算两者的关联指标和距离指标，生成第一代谢特征数据集；
对所述第一代谢特征数据集进行加权计算，生成基础代谢指数。
更优地，所述血压脉搏信号特征选择集至少包括所述脉搏信号特征中的一个脉搏特征、所述血压信号特征中的一个收缩压特征和一个舒张压特征。
更优地，所述基础代谢系数的一种计算公式，如下：
Figure 485344DEST_PATH_IMAGE001
其中，BMC为基础代谢系数，PSF为所述脉搏信号特征中的一脉搏特征，SPF、DPF分别为所述血压信号特征中的一个收缩压特征和一个舒张压特征，
Figure 218814DEST_PATH_IMAGE002
为基础代谢调节系数，
Figure 254291DEST_PATH_IMAGE003
为基础代谢调节截距，
Figure 530551DEST_PATH_IMAGE004
分别为所述脉搏信号特征和所述血压信号特征的平衡系数。
更优地，所述呼吸代谢极值、所述呼吸代谢曲线和所述呼吸代谢指数的计算方法，如下：
从所述第一代谢生理状态特征获取基线状态区间、观察分析区间、全部强度等级下的所述呼吸信号特征和所述脉搏信号特征，经特征选择，得到呼吸脉搏信号特征选择集；
提取同一强度等级下的所述呼吸脉搏信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的呼吸代谢系数；
计算得到全部强度等级下的呼吸代谢系数，生成第二代谢系数序列；
提取所述第二代谢系数序列的最大值，生成呼吸代谢极值；
对所述第二代谢系数序列进行函数拟合，生成呼吸代谢曲线；
对所述第二代谢系数序列与所述强度等级序列进行特征序列归一化，计算两者的关联指标和距离指标，生成第二代谢特征数据集；
对所述第二代谢特征数据集进行加权计算，生成呼吸代谢指数。
更优地，所述呼吸脉搏信号特征选择集至少包括所述脉搏信号特征中的一个脉搏特征和所述呼吸信号特征中的一个呼吸频率特征。
更优地，所述呼吸代谢系数的一种计算公式，如下：
Figure 623141DEST_PATH_IMAGE005
其中，RMC为呼吸代谢系数，PSF为所述脉搏信号特征中的一脉搏特征，RFF为所述呼吸信号特征中的一个呼吸频率特征，
Figure 843907DEST_PATH_IMAGE006
为呼吸代谢调节系数，
Figure 288268DEST_PATH_IMAGE007
为呼吸代谢调节截距，
Figure 809248DEST_PATH_IMAGE008
分别为所述脉搏信号特征和所述呼吸信号特征的平衡系数。
更优地，所述血液代谢极值、所述血液代谢曲线和所述血液代谢指数的计算方法，如下：
从所述第一代谢生理状态特征获取基线状态区间、观察分析区间、全部强度等级下的所述心电信号特征、所述血糖信号特征和所述血压信号特征，经特征选择，得到血液融合信号特征选择集；
提取同一强度等级下的所述血液融合信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的血液代谢系数；
计算得到全部强度等级下的基础代谢系数，生成第三代谢系数序列；
提取所述第三代谢系数序列的最大值，生成血液代谢极值；
对所述第三代谢系数序列进行函数拟合，生成血液代谢曲线；
对所述第三代谢系数序列与所述强度等级序列进行特征序列归一化，计算两者的关联指标和距离指标，生成第三代谢特征数据集；
对所述第三代谢特征数据集进行加权计算，生成血液代谢指数。
更优地，所述血液融合信号特征选择集至少包括所述心电信号特征中的一心率特征、所述血糖信号特征中的一血糖特征和所述血压信号特征中的一个收缩压特征和一个舒张压特征。
更优地，所述血液代谢系数的一种计算公式，如下：
Figure 213685DEST_PATH_IMAGE009
其中，CMC为血液代谢系数，HVF为所述心电信号特征中的一心率特征，BGF为所述血糖信号特征中的一血糖特征，SPF、DPF分别为所述血压信号特征中的一个收缩压特征和一个舒张压特征，
Figure 921747DEST_PATH_IMAGE010
为血液代谢调节系数，
Figure 561676DEST_PATH_IMAGE011
为血液代谢调节截距，
Figure 940092DEST_PATH_IMAGE012
分别为所述心电信号特征、所述血糖信号特征和所述血压信号特征的平衡系数。
更优地，所述外周代谢极值、所述外周代谢曲线和所述外周代谢指数的计算方法，如下：
从所述第一代谢生理状态特征获取基线状态区间、观察分析区间、全部强度等级下的所述皮肤电信号特征、所述体温信号特征和所述血氧水平依赖BOLD信号特征，经特征选择，得到外周融合信号特征选择集；
提取同一强度等级下的所述外周融合信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的外周代谢系数；
计算得到全部强度等级下的外周代谢系数，生成第四代谢系数序列；
提取所述第四代谢系数序列的最大值，生成外周代谢极值；
对所述第四代谢系数序列进行函数拟合，生成外周代谢曲线；
对所述第四代谢系数序列与所述强度等级序列进行特征序列归一化，计算两者的关联指标和距离指标，生成第四代谢特征数据集；
对所述第四代谢特征数据集进行加权计算，生成外周代谢指数。
更优地，所述外周融合信号特征选择集至少包括所述皮肤电信号特征中的一个皮肤传导水平特征、所述体温信号特征中的一个体温特征和所述血氧水平依赖BOLD信号特征中的一个总血红蛋白特征。
更优地，所述外周代谢系数的一种计算公式，如下：
Figure 108905DEST_PATH_IMAGE013
其中，PMC为外周代谢系数，SCLF为所述皮肤电信号特征中的一皮肤传导水平特征，TPF为所述体温信号特征中的一个体温特征，BDF为所述血氧水平依赖BOLD信号特征中的一个总血红蛋白特征，
Figure 38684DEST_PATH_IMAGE014
为外周代谢调节系数，
Figure 482303DEST_PATH_IMAGE015
为外周代谢调节截距，
Figure 184068DEST_PATH_IMAGE016
分别为所述皮肤电信号特征、所述体温信号特征和所述血氧水平依赖BOLD信号特征的平衡系数。
更优地，所述特征序列归一化的计算方法，如下：
对于数值序列
Figure 789361DEST_PATH_IMAGE017
，获取序列的最大值
Figure 737595DEST_PATH_IMAGE018
和最小值
Figure 188168DEST_PATH_IMAGE019
；
序列归一化计算公式，为
Figure 541176DEST_PATH_IMAGE020
其中，
Figure 582950DEST_PATH_IMAGE021
为数值序列
Figure 487321DEST_PATH_IMAGE017
的归一化序列。
更优地，所述关联指标至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数、线性相关系数。
更优地，所述距离指标的计算方法，如下：
对于数值序列
Figure 741585DEST_PATH_IMAGE017
和数值序列
Figure 671802DEST_PATH_IMAGE022
，距离序列
Figure 618898DEST_PATH_IMAGE023
为两个序列中每一个时点值差值，即
Figure 744986DEST_PATH_IMAGE024
距离指标为距离序列
Figure 334099DEST_PATH_IMAGE023
的数值特征，主要包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度。
更优地，所述动态代谢功能对照数据库的建立方式，如下：
按照动态代谢检测方案设计，让健康人群被试和动态代谢功能障碍者人群被试处于不同强度的生理代谢水平状态采集获取被试的生理状态信号，得到第一代谢生理状态信号；
对所述第一代谢生理状态信号进行数据预处理和数据分割，得到第二代谢生理状态信号；
对所述第二代谢生理状态信号进行信号整合处理、状态区间划分和信号特征分析，得到第一代谢生理状态特征；
对所述第一代谢生理状态特征进行代谢特征选择、特征序列归一化和代谢指数分析，得到第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集；
形成健康人群被试和动态代谢功能障碍者被试的动态代谢功能对照数据库。
进一步的，本发明还提供了一种动态代谢功能的检测量化系统用于执行上述的方法步骤。列举如下：
一种动态代谢功能的检测量化系统，所述系统用于执行上述方法，包括如下功能模块：
检测方案管理模块，用于动态代谢检测方案的设置、管理、执行和过程人身安全监测；
状态信号采集模块，用于同时获取被试的生理状态信号，得到所述第一代谢生理状态信号；
状态信号处理模块，用于对所述第一代谢生理状态信号进行数据预处理和数据分割，剔除异常数据，得到所述第二代谢生理状态信号；
状态特征分析模块，用于对所述第二代谢生理状态信号进行信号整合处理、状态区间划分和信号特征分析，得到所述第一代谢生理状态特征；
代谢特征分析模块，用于对所述第一代谢生理状态特征进行代谢特征选择、特征序列归一化和代谢指数分析，得到所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集；
功能评价报告模块，用于将被试的所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集与动态代谢功能对照数据库的第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集进行分析对比，得到被试动态代谢功能状态水平的检测量化报告或结果。
更优地，所述检测方案管理模块，包括以下功能单元：
方案管理单元，用于动态代谢检测方案的输入、设置、编辑、删除和其他管理，所述动态代谢检测方案至少包括检测方式类型、情景状态、强度等级、检测时长、检测间隔；
检测监测单元，用于根据动态代谢检测方案，实施相应强度等级的执行检测，并启动生理状态信号采集和人身安全实时监测。
更优地，所述状态信号采集模块，包括以下功能单元：
个人信息记录单元，用于记录被试的个人信息，所述个人信息至少包括姓名、性别、出生日期、年龄、身高、体重、血压、健康状况、疾病历史信息和临床诊疗意见；
设备参数设置单元，用于连接生理状态信号采集设备或传感器，实现信号通讯和数据传输，记录设备参数，所述设备参数至少包括设备名称、厂商、设备用途、采样率、通道名、通道数；
检测数据记录单元，用于记录存储所述动态代谢检测方案和所述生理状态信号，生成所述第一代谢生理状态信号。
更优地，所述状态信号处理模块，包括以下功能单元：
信号处理单元，用于对所述第一代谢生理状态信号进行信号预处理；
数据分割单元，用于根据所述不同强度等级检测的启动时点，对信号预处理后的所述第一代谢生理状态信号进行时间对齐和信号数据截取，并剔除异常数据，得到所述第二代谢生理状态信号。
更优地，所述状态特征分析模块，包括以下功能单元：
信号整合处理单元，用于将多部位或多通道的、同类型、同一强度等级的所述第二代谢生理状态信号进行信号整合处理；
信号区间设置单元，用于所述基线状态区间、所述行为执行区间、所述观察分析区间、所述间隔静息区间的设置；
状态特征分析单元，用于根据所述信号区间划分，对信号整合处理后的所述第二代谢生理状态信号进行状态特征提取，生成所述第一代谢生理状态特征。
更优地，所述代谢特征分析模块，包括以下功能单元：
特征选择定义单元，用于从所述第一代谢生理状态特征中筛选、定义或设置所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集的代谢特征分析的数据来源；
基础代谢分析单元，用于计算所述基础代谢极值、所述基础代谢曲线和所述基础代谢指数；
呼吸代谢分析单元，用于计算所述呼吸代谢极值、所述呼吸代谢曲线和所述呼吸代谢指数；
血液代谢分析单元，用于计算所述血液代谢极值、所述血液代谢曲线和所述血液代谢指数；
外周代谢分析单元，用于计算所述外周代谢极值、所述外周代谢曲线和所述外周代谢指数。
更优地，所述功能评价报告模块，包括以下功能单元：
对照数据库单元，用于建立、存储、更新与管理健康人群被试和动态代谢功能障碍者人群被试的基本信息，所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集构成的动态代谢功能对照数据库；
评价分析单元，用于将当前被试的所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集生成雷达图、线趋势图和/或数据表，供功能水平的对比分析和功能评价；
报告生成单元，用于生成并输出被试的动态代谢功能水平检测量化报告；
数据存储单元，用于存储动态代谢功能检测量化过程中的所有过程数据和全部结果数据。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述检测量化方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述检测量化方法的步骤。
本发明所提供的方法能够动态地、系统地检测和量化被试或患者动态代谢功能的功能状态水平，通过基础代谢、呼吸代谢、血液代谢、外周代谢四个维度的提取计算，能够更全面准确地获得生理状态，从而进一步判断和识别内分泌与代谢系统疾病的病情特征、状态程度或治疗进展，辅助早期筛查、临床诊断和治疗。
本发明将当前被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集与健康被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集进行分析对比，能够得到当前被试的动态代谢功能的功能状态水平，即是否正常或异常；同时将当前被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集与动态代谢功能障碍者被试（不同障碍程度）的生理代谢曲线集、生理代谢指数集和生理代谢极值集进行分析对比，能够得到当前被试的动态代谢功能的障碍严重程度、内分泌与代谢系统疾病的病情特征和状态程度；最后，将当前被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集与其历史检测中的生理代谢曲线集、生理代谢指数集和生理代谢极值集进行分析对比，能够得到当前被试的动态代谢功能或内分泌与代谢系统疾病的治疗康复进展情况，评估治疗干预效果。因此得到的结果实时全面、准确可靠。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明一实施例所提供动态代谢功能的检测量化方法的基本流程图；
图2是本发明一实施例所提供的动态代谢功能的检测量化系统的模块组成图；
图3是本发明一实施例所提供的肱二头肌生理状态采集示意图。
具体实施方式
为了更清楚地说明本发明的目的和技术方案，下面将结合本发明申请实施例中的附图，对本发明进行进一步介绍说明。显而易见地，下面描述的实施例仅是本发明一部分实施例，而不是全部的实施例。在没有创造性劳动前提下，本领域普通技术人员基于本发明的实施例所得到的其他实施例，都应属于本发明的保护范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
如图1所示，本发明实施例提供的一种动态代谢功能的检测量化方法，包括如下步骤：
P001：按照动态代谢检测方案设计，让被试处于不同强度的生理代谢水平状态，采集获取被试的生理状态信号，生成代谢生理状态信号；
P002：对上述代谢生理状态信号进行数据预处理和数据分割，得到代谢生理状态信号矩阵；
P003：对上述代谢生理状态信号矩阵进行信号整合处理、状态区间划分和信号特征分析，得到代谢生理状态特征数据矩阵；
P004：对上述代谢生理状态特征数据矩阵进行代谢特征选择、特征序列归一化和代谢指数分析，得到全部强度等级下的生理代谢曲线集、生理代谢指数集和生理代谢极值集；
P005：对比同年龄段同性别的健康被试和动态代谢功能障碍者被试的上述生理代谢曲线集、生理代谢指数集和生理代谢极值集，评估当前被试的动态代谢功能状态、相关疾病发展或治疗进展。
应该理解以下对比情况：一是将当前被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集与健康被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集进行分析对比，能够得到当前被试的动态代谢功能的功能状态水平，即是否正常或异常；二是将当前被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集与动态代谢功能障碍者被试（不同障碍程度）的生理代谢曲线集、生理代谢指数集和生理代谢极值集进行分析对比，能够得到当前被试的动态代谢功能的障碍严重程度、内分泌与代谢系统疾病的病情特征和状态程度；三是将当前被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集与其历史检测中的生理代谢曲线集、生理代谢指数集和生理代谢极值集进行分析对比，能够得到当前被试的动态代谢功能或内分泌与代谢系统疾病的治疗康复进展情况，评估治疗干预效果。
如图2所示，本发明实施例提供的一种动态代谢功能的检测量化系统，包括：
检测方案管理模块S100，用于动态代谢检测方案的设置、管理、执行和过程人身安全监测；包括以下功能单元：
方案管理单元S110，用于动态代谢检测方案的输入、设置、编辑、删除和其他管理，所述动态代谢检测方案至少包括检测方式类型、情景状态、强度等级、检测时长、检测间隔；
检测监测单元S120，用于根据动态代谢检测方案，实施相应强度等级的执行检测，并启动生理状态信号采集和人身安全实时监测。
状态信号采集模块S200，用于同时采集获取被试的生理状态信号，生成代谢生理状态信号；包括以下功能单元：
个人信息记录单元S210，用于记录被试的个人信息，个人信息包括姓名、性别、出生日期、年龄、身高、体重、血压、健康状况和疾病历史信息；
设备参数设置单元S220，用于连接生理状态信号采集设备或传感器，实现信号通讯和数据传输，记录设备参数，设备参数至少包括设备名称、厂商、设备用途、采样率、通道名、通道数；
检测数据记录单元S230，用于记录存储动态代谢检测方案和生理状态信号，生成代谢生理状态信号。
状态信号处理模块S300，用于对代谢生理状态信号进行数据预处理和数据分割，剔除异常数据，得到代谢生理状态信号数据矩阵；包括以下功能单元：
信号处理单元S310，用于对代谢生理状态信号进行信号预处理；
数据分割单元S320，用于根据不同强度等级检测的启动时点，对信号预处理后的代谢生理状态信号进行时间对齐和信号数据截取，并剔除异常数据，得到代谢生理状态信号数据矩阵。
状态特征分析模块S400，用于对代谢生理状态信号数据矩阵进行信号整合处理、状态区间划分和信号特征分析，得到代谢生理状态特征数据矩阵；包括以下功能单元：
信号整合处理单元S410，用于将多部位或多通道的、同类型、同一强度等级的生理状态信号数据矩阵进行信号整合处理；
信号区间设置单元S420，用于基线状态区间、行为执行区间、观察分析区间、间隔静息区间的设置；
状态特征分析单元S430，用于根据信号区间划分，对信号整合处理后的生理状态信号数据矩阵进行状态特征提取，生成代谢生理状态特征数据矩阵。
代谢特征分析模块S500，用于对代谢生理状态特征数据矩阵进行代谢特征选择、特征序列归一化和代谢指数分析，得到生理代谢曲线集、生理代谢指数集和生理代谢极值集；包括以下功能单元：
特征选择定义单元S510，用于从代谢生理状态特征数据矩阵中筛选、定义或设置生理代谢曲线集、生理代谢指数集和生理代谢极值集的代谢特征分析的数据来源；
基础代谢分析单元S520，用于计算基础代谢极值、基础代谢曲线和基础代谢指数；
呼吸代谢分析单元S530，用于计算呼吸代谢极值、呼吸代谢曲线和呼吸代谢指数；
血液代谢分析单元S540，用于计算血液代谢极值、血液代谢曲线和血液代谢指数；
外周代谢分析单元S550，用于计算外周代谢极值、外周代谢曲线和外周代谢指数。
功能评价报告模块S600，用于将被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集与动态代谢功能对照数据库的生理代谢曲线集、生理代谢指数集和生理代谢极值集进行分析对比，得到被试动态代谢功能状态水平的检测量化报告或结果；包括以下功能单元：
对照数据库单元S610，用于建立、存储、更新与管理健康人群被试和动态代谢功能障碍者人群被试的基本信息，生理代谢曲线集、生理代谢指数集和生理代谢极值集构成的动态代谢功能对照数据库；
评价分析单元S620，用于将当前被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集生成雷达图、线趋势图和/或数据表，供功能水平的对比分析和功能评价；
报告生成单元S630，用于生成并输出被试的动态代谢功能水平检测量化报告；
数据存储单元S640，用于存储动态代谢功能检测量化过程中的所有过程数据和全部结果数据。
本实施例中，数据存储在数据库mysql中。
为了更加详尽的阐述方案内容，下面对动态代谢功能的检测量化方法的具体实施情况进行详细说明。需要说明的是，所述系统被用于执行图1所述的方法以及发明内容部分以及下文中提及的对应方法流程。
P001：按照动态代谢检测方案设计，让被试处于不同强度的生理代谢水平状态，采集获取被试的生理状态信号，生成代谢生理状态信号；
本实施例中，通过不同强度等级的肢体运动的检测方式类型，来短时加快被试的血液循环和体液循环，提供心率、体温和新陈代谢。在面对多陌生被试的实际检测中，需要根据被试的具体健康状态或主诉疾病情况来选择检测方式类型，如运动能力受限的被试可通过提高环境温度或局部躯体温度的方式来进行检测。在保证稳定环境参数下，运动强度表征为一组固定数值的慢深蹲（肢体动作），运动强度队列MSD设置为{0、5、10、15}。可以理解的是，可以加大运动强度队列（强度等级）的强度间隔，减少运动强度队列等级数量，来加快检测的进程；也可以减小运动强度队列（强度等级）的强度间隔，增加运动强度队列等级数量，来加快检测的精确度。
本实施例中，检测间隔为4分钟，以便让被试生理状态回到基线状态附近。检测时长则由运动执行时间、检测分析时间和检测间隔来动态决定。
本实施例中，通过自动监测被试的心率和脉搏（安全指标），如果心率和脉搏超过预设阈值，则重新设置运动强度队列并重新测试，或终止检测过程；通过主动观察被试的表情、动作、语言等行为反馈，若存在较大生理反馈异常或人身安全风险，则直接终止检测过程；通过上述两种方式，来进一步保障检测过程的被试人身安全。
本实施例中，由于采用肢体运动的检测方式，在生理状态信号采集方面都采用便携式设备，或通过软传输线完成采集信号传输。
本实施例中，需要采集生理状态信号包括脉搏信号、血压信号、呼吸信号、心电信号、血糖信号、皮肤电信号、温度信号、血氧水平依赖BOLD信号。
本实施例中，选择左手的手腕桡测（摸桡动脉）作为目标部位，通过压电式脉搏采集设备来采集目标部位的脉搏信号；选择右上臂作为目标部位，通过动态血压仪来采集被试的血压信号；通过胸腹带传感器监测被试的呼吸信号；通过动态心电仪来采集被试的心电信号；通过动态血糖仪来采集被试的血糖信号；选择右上臂外侧肱二头肌中部作为目标部位，通过温度、皮肤电、功能性近红外光谱成像的采集设备来采集目标部位的温度信号、皮肤电信号、血氧水平依赖BOLD信号，如图3肱二头肌生理状态采集示意图。
本实施例中，为了防止体动意外和数据丢失，大部分生理状态信号采集都采用双通道以上。脉搏采集设备参数为双通道，采样率64Hz；动态血压仪参数为单通道，采样为1/30Hz，即30秒钟采集一次；胸腹带传感器为双通道，采样率为64Hz；动态心电仪为单通道，双导联（导联V4和导联V6），采样率为128Hz；动态血糖仪参数为单通道，采样为1/10Hz，即10秒钟采集一次；温度采集设备参数为双通道，采样率64Hz；皮肤电采集设备参数为双通道，采样率64Hz；功能性近红外光谱成像采集设备参数为4通道（1个光源S1、4个探测器D1~D4组成的采样组，光源和探测器的距离SDD为2.5cm），采样率为10Hz；需要注意采集设备电极的错位放置，并需要合适固定方式，避免运动、出汗等带来的采集伪迹影响。
本实施例中，同时采集上述多个生理状态信号，生成代谢生理状态信号。
P002：对上述代谢生理状态信号进行数据预处理和数据分割，得到代谢生理状态信号矩阵；
本实施例中，对脉搏信号、呼吸信号、温度信号和皮肤电信号的预处理主要是进行去伪影处理和信号矫正，通过Hamming窗、零相位的FIR数字滤波器完成1Hz低通滤波。
本实施例中，对血压信号和血糖信号的预处理主要是进行去伪影处理和信号矫正。
本实施例中，对血氧水平依赖BOLD信号的预处理主要是进行获取光强度并转换为光密度(OD)，去除坏通道，去伪影处理和信号矫正，小波降噪，使用修正的比尔-朗伯定律将光密度或吸光度的变化会转化为含氧血红蛋白HbO2、脱氧血红蛋白HbR和总血红蛋白HbT的浓度，通过Hamming窗、零相位的FIR数字滤波器完成0.01-0.35Hz的带通滤波，提取HbO2、HbR和HbT的浓度变化信号。
本实施例中，对心电信号的预处理主要是进行去伪影处理和信号矫正，通过Hamming窗、零相位的FIR数字滤波器完成0.5~35Hz带通滤波。
本实施例中，把被试动作执行开始前5秒钟作为开始时点，把被试动作执行完成后30秒钟后作为结束时点，对上述生理状态信号数据进行时间对齐和数据分割，并标识当前的强度等级；同时，通过对上述生理状态信号进行数据校正，剔除无法校正的信号数据，包括过汗液大伪迹、大体动、电极或光极接触松动甚至脱落，或检测中断等，生成代谢生理状态信号矩阵。
P003：对上述代谢生理状态信号矩阵进行信号整合处理、状态区间划分和信号特征分析，得到代谢生理状态特征数据矩阵；
本实施例中，对上述生理状态信号数据矩阵的多通道的、同类型、同一强度等级的生理状态信号进行平均叠加处理，得到生理状态信号数据叠加矩阵。
本实施例中，信号区间划分具体包为基线状态区间（运动执行开始前60秒至运动执行开始点）、行为执行区间（运动执行开始到完成的过程时间，以最后一个慢深蹲起身直立为运动执行完成时间点）、观察分析区间（运动执行完成前15秒到运动执行完成后15秒）、间隔静息区间（运动执行完成时点至运动执行完成后240秒）。
本实施例中，逐帧对生理状态信号数据叠加矩阵的全部不同类型生理信号进行信号特征分析，信号特征主要包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度，得到脉搏信号特征、血压信号特征、呼吸信号特征、心电信号特征、血糖信号特征、皮肤电信号特征、温度信号特征、血氧水平依赖BOLD信号特征，生成生理状态特征数据矩阵FSM。
本实施例中，血压信号特征包括收缩压SP、舒张压DP、平均动脉压MAP的信号特征；呼吸信号特征包括呼吸频率RF、呼吸间隔RI的信号特征；心电信号特征包括心率HR和心率变异性HRV的信号特征；皮肤电信号特征包括皮肤电导总水平SC、皮肤传导水平SCL、皮肤电导反应SCR的信号特征；血氧水平依赖BOLD信号特征包括含氧血红蛋白HbO2、脱氧血红蛋白HbR和总血红蛋白HbT的信号特征。
P004：对上述代谢生理状态特征数据矩阵进行代谢特征选择、特征序列归一化和代谢指数分析，得到全部强度等级下的生理代谢曲线集、生理代谢指数集和生理代谢极值集；
脉搏信号、血压信号、呼吸信号、心电信号、血糖信号、皮肤电信号、温度信号、血氧水平依赖BOLD信号。
本实施例中，代谢特征选择的规则，详细如下：
脉搏信号-脉搏，以脉搏特征中的平均值PUM作为代谢指数分析数据源；
血压信号-血压，以收缩压SP特征中的平均值SPUM、舒张压DP特征中的平均值DPUM作为代谢指数分析数据源；
呼吸信号-呼吸，以呼吸频率RF特征中的平均值RFM作为代谢指数分析数据源；
心电信号-心率，以心率特征中的平均值CGM作为代谢指数分析数据源；
血糖信号-血糖，以血糖特征中的平均值BGM作为代谢指数分析数据源；
皮肤电信号-汗液分泌，以皮肤传导水平SCL特征中的平均值EDM作为代谢指数分析数据源；
温度信号-皮肤温度，以温度特征中的平均值TPM作为代谢指数分析数据源。
BOLD信号-血液血流，以总血红蛋白HbT特征中的平均值HTM作为代谢指数分析数据源。
本实施例中，需要理解的是，在实际应用场景中大多数情况下，多以平均值、均方根、最大值、最小值作为代谢指数分析的主要数据源，这些指标在不同特征量化分析中都有着非常稳定且确定的表现，是生理状态在不同情境下的标识性指标和区别性指标；以方差、标准差、变异系数、峰度和偏度作为代谢指数分析的辅助数据源；同样在涉及加权计算方面，主要数据源的权重系数应该大于辅助数据源的权重系数。
本实施例中，生理代谢曲线集包括基础代谢曲线BMEs、呼吸代谢曲线RMEs、血液代谢曲线CMEs、外周代谢曲线PMEs。
本实施例中，生理代谢指数集包括基础代谢指数BME、呼吸代谢指数RME、血液代谢指数CME、外周代谢指数PME。
本实施例中，生理代谢极值集包括基础代谢极值mBME、呼吸代谢极值mRME、血液代谢极值mCME、外周代谢极值mPME。
本实施例中，基础代谢极值mBME、基础代谢曲线BMEs和基础代谢指数BME的计算方法，如下：
1)从生理状态特征数据矩阵FSM获取基线状态区间、观察分析区间、全部强度等级下的血压信号特征和脉搏信号特征，经特征选择，得到血压脉搏信号特征选择集；
2)提取同一强度等级下的血压脉搏信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的基础代谢系数
Figure 130542DEST_PATH_IMAGE025
；
3)计算得到全部强度等级下的基础代谢系数
Figure 982960DEST_PATH_IMAGE025
，生成第一代谢系数序列
Figure 393081DEST_PATH_IMAGE026
；
4)提取第一代谢系数序列
Figure 989148DEST_PATH_IMAGE026
的最大值，生成基础代谢极值
Figure 640097DEST_PATH_IMAGE027
；
5)对第一代谢系数序列
Figure 663416DEST_PATH_IMAGE026
进行多项式函数拟合，生成基础代谢曲线
Figure 295255DEST_PATH_IMAGE028
；
6)对第一代谢系数序列
Figure 960591DEST_PATH_IMAGE026
与强度等级序列
Figure 466047DEST_PATH_IMAGE029
进行特征序列归一化，计算两者的皮尔逊相关系数
Figure 191426DEST_PATH_IMAGE030
和平均距离
Figure 779402DEST_PATH_IMAGE031
，生成第一代谢特征数据集
Figure 514009DEST_PATH_IMAGE032
；
7)对第一代谢特征数据集
Figure 885689DEST_PATH_IMAGE032
进行加权计算，生成基础代谢指数
Figure 781970DEST_PATH_IMAGE033
；
其中，皮尔逊相关系数
Figure 122821DEST_PATH_IMAGE030
和平均距离
Figure 536485DEST_PATH_IMAGE031
的权重分别为0.4、0.6。
本实施例中，基础代谢系数的计算公式，如下：
Figure 610008DEST_PATH_IMAGE034
其中，
Figure 677190DEST_PATH_IMAGE025
为基础代谢系数，PSF为脉搏信号特征中的一脉搏特征，SPF、DPF分别为血压信号特征中的一个收缩压特征和一个舒张压特征，
Figure 380704DEST_PATH_IMAGE035
为基础代谢调节系数，
Figure 191534DEST_PATH_IMAGE036
为基础代谢调节截距，
Figure 526088DEST_PATH_IMAGE037
分别为脉搏信号特征和血压信号特征的平衡系数。
本实施例中，PSF需要转换成每分钟的脉率，SPF、DPF单位为mmHg，
Figure 29750DEST_PATH_IMAGE035
、
Figure 79615DEST_PATH_IMAGE037
、
Figure 428556DEST_PATH_IMAGE036
分别取值1.0、1.0、1.0和-111.0，此时基础代谢系数就是临床医学上对基础代谢率的估算公式。正常人的基础代谢率为15%-25%，在±10%的范畴内都属于正常现象。
本实施例中，呼吸代谢极值mRME、呼吸代谢曲线RMEs和呼吸代谢指数RME的计算方法，如下：
1)从生理状态特征数据矩阵
Figure 148775DEST_PATH_IMAGE038
获取基线状态区间、观察分析区间、全部强度等级下的呼吸信号特征和脉搏信号特征，经特征选择，得到呼吸脉搏信号特征选择集；
2)提取同一强度等级下的呼吸脉搏信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的呼吸代谢系数
Figure 292181DEST_PATH_IMAGE039
；
3)计算得到全部强度等级下的呼吸代谢系数
Figure 829341DEST_PATH_IMAGE039
，生成第二代谢系数序列
Figure 247553DEST_PATH_IMAGE040
；
4)提取第二代谢系数序列
Figure 544980DEST_PATH_IMAGE040
的最大值，生成呼吸代谢极值
Figure 124866DEST_PATH_IMAGE041
；
5)对第二代谢系数序
Figure 24689DEST_PATH_IMAGE040
列进行多项式函数拟合，生成呼吸代谢曲线
Figure 715434DEST_PATH_IMAGE042
；
6)对第二代谢系数序列
Figure 141736DEST_PATH_IMAGE040
与强度等级序列
Figure 161032DEST_PATH_IMAGE029
进行特征序列归一化，计算两者的皮尔逊相关系数
Figure 407205DEST_PATH_IMAGE030
和平均距离
Figure 901641DEST_PATH_IMAGE031
，生成第二代谢特征数据集
Figure 778854DEST_PATH_IMAGE043
；
7)对第二代谢特征数据集
Figure 700543DEST_PATH_IMAGE043
进行加权计算，生成呼吸代谢指数
Figure 574958DEST_PATH_IMAGE044
；
其中，皮尔逊相关系数
Figure 607505DEST_PATH_IMAGE030
和平均距离
Figure 742820DEST_PATH_IMAGE031
的权重分别为0.4、0.6。
本实施例中，呼吸代谢系数的计算公式，如下：
Figure 103919DEST_PATH_IMAGE045
其中，
Figure 324684DEST_PATH_IMAGE039
为呼吸代谢系数，PSF为脉搏信号特征中的一脉搏特征，RFF为呼吸信号特征中的一个呼吸频率特征，
Figure 160922DEST_PATH_IMAGE046
为呼吸代谢调节系数，
Figure 416323DEST_PATH_IMAGE047
为呼吸代谢调节截距，
Figure 632146DEST_PATH_IMAGE037
分别为脉搏信号特征和呼吸信号特征的平衡系数。
本实施例中，PSF、RFF需要分别转换成每分钟的脉率和呼吸频率，
Figure 340208DEST_PATH_IMAGE046
、
Figure 980136DEST_PATH_IMAGE037
、
Figure 27727DEST_PATH_IMAGE047
分别取值0.25、1.0、1.0和1.5。
本实施例中，血液代谢极值mCME、血液代谢曲线CMEs和血液代谢指数CME的计算方法，如下：
1)从生理状态特征数据矩阵
Figure 462119DEST_PATH_IMAGE038
获取基线状态区间、观察分析区间、全部强度等级下的心电信号特征、血糖信号特征和血压信号特征，经特征选择，得到血液融合信号特征选择集；
2)提取同一强度等级下的血液融合信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的血液代谢系数
Figure 660407DEST_PATH_IMAGE048
；
3)计算得到全部强度等级下的基础代谢系数
Figure 838447DEST_PATH_IMAGE048
，生成第三代谢系数序列
Figure 881490DEST_PATH_IMAGE049
；
4)提取第三代谢系数序列
Figure 486783DEST_PATH_IMAGE050
的最大值，生成血液代谢极值
Figure 169437DEST_PATH_IMAGE051
；
5)对第三代谢系数序列
Figure 154099DEST_PATH_IMAGE050
进行多项式函数拟合，生成血液代谢曲线
Figure 973019DEST_PATH_IMAGE050
；
6)对第三代谢系数序列
Figure 14793DEST_PATH_IMAGE050
与强度等级序列
Figure 856847DEST_PATH_IMAGE029
进行特征序列归一化，计算两者的皮尔逊相关系数
Figure 645199DEST_PATH_IMAGE030
和平均距离
Figure 584205DEST_PATH_IMAGE031
，生成第三代谢特征数据集
Figure 468984DEST_PATH_IMAGE052
；
7)对第三代谢特征数据集
Figure 126231DEST_PATH_IMAGE052
进行加权计算，生成血液代谢指数
Figure 449765DEST_PATH_IMAGE053
；
其中，皮尔逊相关系数r和平均距离
Figure 234488DEST_PATH_IMAGE031
的权重分别为0.4、0.6。
本实施例中，血液代谢系数的计算公式，如下：
Figure 352486DEST_PATH_IMAGE054
其中，
Figure 372394DEST_PATH_IMAGE048
为血液代谢系数，HVF为心电信号特征中的一心率特征，BGF为血糖信号特征中的一血糖特征，SPF、DPF分别为血压信号特征中的一个收缩压特征和一个舒张压特征，
Figure 234040DEST_PATH_IMAGE055
为血液代谢调节系数，
Figure 212885DEST_PATH_IMAGE056
为血液代谢调节截距，
Figure 767363DEST_PATH_IMAGE057
分别为心电信号特征、血糖信号特征和血压信号特征的平衡系数。
本实施例中，HVF需要转换成每分钟的心率，BGF单位为mmol/L，SPF、DPF单位为mmHg，
Figure 195939DEST_PATH_IMAGE057
分别取值等于1.0、-1.0和1.0，
Figure 864205DEST_PATH_IMAGE055
、
Figure 632310DEST_PATH_IMAGE056
分别取值0.5和-20.0。
本实施例中，外周代谢极值mPME、外周代谢曲线PMEs和外周代谢指数PME的计算方法，如下：
1)从生理状态特征数据矩阵
Figure 92110DEST_PATH_IMAGE038
获取基线状态区间、观察分析区间、全部强度等级下的皮肤电信号特征、体温信号特征和血氧水平依赖
Figure 273562DEST_PATH_IMAGE058
信号特征，经特征选择，得到外周融合信号特征选择集；
2)提取同一强度等级下的外周融合信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的外周代谢系数
Figure 479940DEST_PATH_IMAGE059
；
3)计算得到全部强度等级下的外周代谢系数
Figure 40234DEST_PATH_IMAGE059
，生成第四代谢系数序列
Figure 77460DEST_PATH_IMAGE060
；
4)提取第四代谢系数序列
Figure 152732DEST_PATH_IMAGE060
的最大值，生成外周代谢极值
Figure 97555DEST_PATH_IMAGE061
；
5)对第四代谢系数序列
Figure 589321DEST_PATH_IMAGE060
进行多项式函数拟合，生成外周代谢曲线
Figure 922082DEST_PATH_IMAGE062
；
6)对第四代谢系数序列
Figure 484650DEST_PATH_IMAGE060
与强度等级序列
Figure 29901DEST_PATH_IMAGE029
进行特征序列归一化，计算两者的皮尔逊相关系数
Figure 895614DEST_PATH_IMAGE030
和平均距离
Figure 71380DEST_PATH_IMAGE031
，生成第四代谢特征数据集
Figure 121244DEST_PATH_IMAGE063
；
7)对第四代谢特征数据集
Figure 735765DEST_PATH_IMAGE063
进行加权计算，生成外周代谢指数
Figure 921896DEST_PATH_IMAGE064
；
其中，皮尔逊相关系数
Figure 333810DEST_PATH_IMAGE030
和平均距离
Figure 11916DEST_PATH_IMAGE031
的权重分别为0.4、0.6。
本实施例中，外周代谢系数的一种计算公式，如下：
Figure 164549DEST_PATH_IMAGE065
其中，PMC为外周代谢系数，SCLF为皮肤电信号特征中的一皮肤传导水平特征，TPF为体温信号特征中的一个体温特征，BDF为血氧水平依赖BOLD信号特征中的一个总血红蛋白特征，
Figure 470766DEST_PATH_IMAGE066
为外周代谢调节系数，
Figure 53581DEST_PATH_IMAGE067
为外周代谢调节截距，
Figure 78038DEST_PATH_IMAGE057
分别为皮肤电信号特征、体温信号特征和血氧水平依赖BOLD信号特征的平衡系数。
本实施例中，SCLF单位为
Figure 768782DEST_PATH_IMAGE068
，TPF单位为℃，BDF单位为
Figure 522980DEST_PATH_IMAGE069
，
Figure 61716DEST_PATH_IMAGE057
分别取值等于10.0、1.0和10.0，
Figure 839048DEST_PATH_IMAGE066
、
Figure 333483DEST_PATH_IMAGE067
分别取值0.25、25.0。
本实施例中，特征序列归一化的计算方法，如下：
对于数值序列
Figure 413959DEST_PATH_IMAGE070
，获取序列的最大值
Figure 476593DEST_PATH_IMAGE071
和最小值
Figure 865855DEST_PATH_IMAGE072
；
序列归一化计算公式，为
Figure 901332DEST_PATH_IMAGE073
其中，
Figure 36647DEST_PATH_IMAGE074
为数值序列
Figure 863658DEST_PATH_IMAGE070
的归一化序列。
本实施例中，关联指标包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数、线性相关系数。
本实施例中，皮尔逊相关系数的计算公式，如下
对于离散时序信号
Figure 943478DEST_PATH_IMAGE070
和
Figure 517066DEST_PATH_IMAGE075
的皮尔逊相关系数r：
Figure 975729DEST_PATH_IMAGE076
其中，
Figure 239220DEST_PATH_IMAGE077
为
Figure 555406DEST_PATH_IMAGE070
均值，
Figure 929756DEST_PATH_IMAGE078
为
Figure 39663DEST_PATH_IMAGE075
均值；
本实施例中，距离指标的计算方法，如下：
对于数值序列
Figure 474055DEST_PATH_IMAGE070
和数值序列
Figure 406764DEST_PATH_IMAGE075
，距离序列
Figure 319225DEST_PATH_IMAGE079
为两个序列中每一个时点值差值，即
Figure 142693DEST_PATH_IMAGE024
距离指标为距离序列
Figure 482408DEST_PATH_IMAGE079
的数值特征，主要包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度。
P005：对比同年龄段同性别的健康被试和动态代谢功能障碍者被试的上述生理代谢曲线集、生理代谢指数集和生理代谢极值集，评估当前被试的动态代谢功能状态、相关疾病发展或治疗进展。
本实施例中，动态代谢功能对照数据库的建立方式，如下：
按照动态代谢检测方案设计，让健康人群被试和动态代谢功能障碍者人群被试处于不同强度的生理代谢水平状态，采集获取被试的生理状态信号，生成代谢生理状态信号；
对上述代谢生理状态信号进行数据预处理和数据分割，得到代谢生理状态信号矩阵；
对上述代谢生理状态信号矩阵进行信号整合处理、状态区间划分和信号特征分析，得到代谢生理状态特征数据矩阵；
对上述代谢生理状态特征数据矩阵进行代谢特征选择、特征序列归一化和代谢指数分析，得到全部强度等级下的生理代谢曲线集、生理代谢指数集和生理代谢极值集；
形成健康人群被试和动态代谢功能障碍者被试的动态代谢功能对照数据库。
本实施例中，应该理解以下对比情况：一是将当前被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集与健康被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集进行分析对比，能够得到当前被试的动态代谢功能的功能状态水平，即是否正常或异常；二是将当前被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集与动态代谢功能障碍者被试（不同障碍程度）的生理代谢曲线集、生理代谢指数集和生理代谢极值集进行分析对比，能够得到当前被试的动态代谢功能的障碍严重程度、内分泌与代谢系统疾病的病情特征和状态程度；三是将当前被试的生理代谢曲线集、生理代谢指数集和生理代谢极值集与其历史检测中的生理代谢曲线集、生理代谢指数集和生理代谢极值集进行分析对比，能够得到当前被试的动态代谢功能或内分泌与代谢系统疾病的治疗康复进展情况，评估治疗干预效果。
本发明还提供了可编程的各类处理器（FPGA、ASIC或其他集成电路），所述处理器用于运行程序，其中，所述程序运行时执行上述实施例中的步骤。
本发明还提供了对应的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述存储器执行所述程序时实现上述实施例中的步骤。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和原则的前提下，可以在实施的形式及细节上进行任何的修改与变化、等同替换等，这些都属于本发明的保护范围。因此，本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (50)

1.一种动态代谢功能的检测量化方法，其特征在于，所述方法包括如下步骤：
按照动态代谢检测方案设计，让被试者处于不同强度的生理代谢水平状态，采集获取被试者的生理状态信号，得到第一代谢生理状态信号；
对所述第一代谢生理状态信号进行数据预处理和数据分割，得到第二代谢生理状态信号；
对所述第二代谢生理状态信号进行信号整合处理、状态区间划分和信号特征分析，得到第一代谢生理状态特征；
对所述第一代谢生理状态特征进行代谢特征选择、特征序列归一化和代谢指数分析，得到第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集；
将被试的所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集与动态代谢功能对照数据库的第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集进行分析对比，得到被试动态代谢功能状态水平的检测量化报告。
2.如权利要求1所述的方法，其特征在于：所述动态代谢检测方案至少包括检测方式类型、情景状态、强度等级、检测时长、检测间隔。
3.如权利要求2所述的方法，其特征在于：所述检测方式类型至少包括环境因素刺激、肢体运动、精神活动。
4.如权利要求2所述的方法，其特征在于：所述强度等级至少包括环境因素强度队列、运动强度队列、情绪强度队列。
5.如权利要求2所述的方法，其特征在于：所述情景状态至少包括静息状态、运动状态和心理活动状态。
6.如权利要求1所述的方法，其特征在于：所述生理状态信号至少包括脉搏信号、血压信号、呼吸信号、心电信号、血糖信号、皮肤电信号、温度信号、血氧水平依赖
Figure 27928DEST_PATH_IMAGE001
信号，通过脉搏、血压、呼吸、心电、血糖、皮肤电、温度、功能性近红外光谱成像或功能性核磁共振成像的数据采集设备对检测部位采集得到。
7.如权利要求1所述的方法，其特征在于：被试的检测部位至少包括头、颈、躯干、四肢的体表皮肤系统。
8.如权利要求7所述的方法，其特征在于：所述检测部位根据检测方式类型确定。
9.如权利要求1所述的方法，其特征在于：所述数据预处理至少包括A/D转换、重采样、降噪、去伪迹、滤波。
10.如权利要求1所述的方法，其特征在于：所述数据分割是根据所述动态代谢检测方案中不同强度等级，将所述生理状态信号中不同生理特征信号进行时间对齐和信号数据截取。
11.如权利要求1所述的方法，其特征在于：所述信号整合处理是将多部位或多通道的、同类型、同一强度等级的所述第二代谢生理状态信号进行整合处理。
12.如权利要求11所述的方法，其特征在于：所述整合处理方法至少包括提取平均叠加序列、加权叠加序列、最大振幅序列、最小方差序列、最小变异系数序列、最大变异系数序列中任意一序列。
13.如权利要求1所述的方法，其特征在于：所述状态区间划分至少包括基线状态区间、行为执行区间、观察分析区间、间隔静息区间。
14.如权利要求1所述的方法，其特征在于：所述信号特征分析包括脉搏信号特征、血压信号特征、呼吸信号特征、心电信号特征、血糖信号特征、皮肤电信号特征、温度信号特征、血氧水平依赖BOLD信号特征。
15.如权利要求14所述的方法，其特征在于：所述信号特征至少包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度。
16.如权利要求14所述的方法，其特征在于：所述血压信号特征至少包括收缩压、舒张压、平均动脉压的信号特征。
17.如权利要求14所述的方法，其特征在于：所述呼吸信号特征至少包括呼吸频率、呼吸间隔、呼吸深度的信号特征。
18.如权利要求14所述的方法，其特征在于：所述心电信号特征至少包括心率和心率变异性的信号特征。
19.如权利要求14所述的方法，其特征在于：所述皮肤电信号特征至少包括皮肤电导总水平、皮肤传导水平、皮肤电导反应的信号特征。
20.如权利要求14所述的方法，其特征在于：所述血氧水平依赖BOLD信号特征至少包括含氧血红蛋白、脱氧血红蛋白、总血红蛋白的信号特征。
21.如权利要求1所述的方法，其特征在于：所述代谢特征选择至少包括所述第一代谢生理状态特征的两个不同类型生理状态特征，作为所述代谢指数分析的数据源。
22.如权利要求1所述的方法，其特征在于：所述第一生理代谢曲线集至少包括基础代谢曲线、呼吸代谢曲线、血液代谢曲线、外周代谢曲线。
23.如权利要求22所述的方法，其特征在于：所述第一生理代谢指数集至少包括基础代谢指数、呼吸代谢指数、血液代谢指数、外周代谢指数。
24.如权利要求23所述的方法，其特征在于：所述第一生理代谢极值集至少包括基础代谢极值、呼吸代谢极值、血液代谢极值、外周代谢极值。
25.如权利要求24所述的方法，其特征在于：所述基础代谢极值、所述基础代谢曲线和所述基础代谢指数的计算方法，如下：
从所述第一代谢生理状态特征获取基线状态区间、观察分析区间、全部强度等级下的血压信号特征和脉搏信号特征，经特征选择，得到血压脉搏信号特征选择集；
提取同一强度等级下的所述血压脉搏信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的基础代谢系数；
计算得到全部强度等级下的基础代谢系数，生成第一代谢系数序列；
提取所述第一代谢系数序列的最大值，生成基础代谢极值；
对所述第一代谢系数序列进行函数拟合，生成基础代谢曲线；
对所述第一代谢系数序列与所述强度等级序列进行特征序列归一化，计算两者的关联指标和距离指标，生成第一代谢特征数据集；
对所述第一代谢特征数据集进行加权计算，生成基础代谢指数。
26.如权利要求25所述的方法，其特征在于：所述血压脉搏信号特征选择集至少包括所述脉搏信号特征中的一个脉搏特征、所述血压信号特征中的一个收缩压特征和一个舒张压特征。
27.如权利要求25所述的方法，其特征在于：所述基础代谢系数的一种计算公式，如下：
Figure 759124DEST_PATH_IMAGE002
其中，
Figure 145630DEST_PATH_IMAGE003
为基础代谢系数，PSF为所述脉搏信号特征中的一脉搏特征，
Figure 696697DEST_PATH_IMAGE004
分别为所述血压信号特征中的一个收缩压特征和一个舒张压特征，
Figure 89501DEST_PATH_IMAGE005
为基础代谢调节系数，
Figure 737520DEST_PATH_IMAGE006
为基础代谢调节截距，
Figure 964102DEST_PATH_IMAGE007
分别为所述脉搏信号特征和所述血压信号特征的平衡系数。
28.如权利要求24所述的方法，其特征在于：所述呼吸代谢极值、所述呼吸代谢曲线和所述呼吸代谢指数的计算方法，如下：
从所述第一代谢生理状态特征获取基线状态区间、观察分析区间、全部强度等级下的呼吸信号特征和脉搏信号特征，经特征选择，得到呼吸脉搏信号特征选择集；
提取同一强度等级下的所述呼吸脉搏信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的呼吸代谢系数；
计算得到全部强度等级下的呼吸代谢系数，生成第二代谢系数序列；
提取所述第二代谢系数序列的最大值，生成呼吸代谢极值；
对所述第二代谢系数序列进行函数拟合，生成呼吸代谢曲线；
对所述第二代谢系数序列与所述强度等级序列进行特征序列归一化，计算两者的关联指标和距离指标，生成第二代谢特征数据集；
对所述第二代谢特征数据集进行加权计算，生成呼吸代谢指数。
29.如权利要求28所述的方法，其特征在于：所述呼吸脉搏信号特征选择集至少包括所述脉搏信号特征中的一个脉搏特征和所述呼吸信号特征中的一个呼吸频率特征。
30.如权利要求28所述的方法，其特征在于：所述呼吸代谢系数的一种计算公式，如下：
Figure 333291DEST_PATH_IMAGE008
其中，
Figure 264207DEST_PATH_IMAGE009
为呼吸代谢系数，PSF为所述脉搏信号特征中的一脉搏特征，
Figure 704416DEST_PATH_IMAGE010
为所述呼吸信号特征中的一个呼吸频率特征，
Figure 429795DEST_PATH_IMAGE011
为呼吸代谢调节系数，
Figure 955454DEST_PATH_IMAGE012
为呼吸代谢调节截距，
Figure 692991DEST_PATH_IMAGE013
分别为所述脉搏信号特征和所述呼吸信号特征的平衡系数。
31.如权利要求24所述的方法，其特征在于：所述血液代谢极值、所述血液代谢曲线和所述血液代谢指数的计算方法，如下：
从所述第一代谢生理状态特征获取基线状态区间、观察分析区间、全部强度等级下的心电信号特征、血糖信号特征和血压信号特征，经特征选择，得到血液融合信号特征选择集；
提取同一强度等级下的所述血液融合信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的血液代谢系数；
计算得到全部强度等级下的基础代谢系数，生成第三代谢系数序列；
提取所述第三代谢系数序列的最大值，生成血液代谢极值；
对所述第三代谢系数序列进行函数拟合，生成血液代谢曲线；
对所述第三代谢系数序列与所述强度等级序列进行特征序列归一化，计算两者的关联指标和距离指标，生成第三代谢特征数据集；
对所述第三代谢特征数据集进行加权计算，生成血液代谢指数。
32.如权利要求31所述的方法，其特征在于：所述血液融合信号特征选择集至少包括所述心电信号特征中的一心率特征、所述血糖信号特征中的一血糖特征和所述血压信号特征中的一个收缩压特征和一个舒张压特征。
33.如权利要求31所述的方法，其特征在于：所述血液代谢系数的一种计算公式，如下：
Figure 315602DEST_PATH_IMAGE014
其中，
Figure 883986DEST_PATH_IMAGE015
为血液代谢系数，
Figure 365783DEST_PATH_IMAGE016
为所述心电信号特征中的一心率特征，
Figure 372922DEST_PATH_IMAGE017
为所述血糖信号特征中的一血糖特征，
Figure 787723DEST_PATH_IMAGE004
分别为所述血压信号特征中的一个收缩压特征和一个舒张压特征，
Figure 580537DEST_PATH_IMAGE018
为血液代谢调节系数，
Figure 346368DEST_PATH_IMAGE019
为血液代谢调节截距，
Figure 94881DEST_PATH_IMAGE020
分别为所述心电信号特征、所述血糖信号特征和所述血压信号特征的平衡系数。
34.如权利要求24所述的方法，其特征在于：所述外周代谢极值、所述外周代谢曲线和所述外周代谢指数的计算方法，如下：
从所述第一代谢生理状态特征获取基线状态区间、观察分析区间、全部强度等级下的皮肤电信号特征、体温信号特征和血氧水平依赖BOLD信号特征，经特征选择，得到外周融合信号特征选择集；
提取同一强度等级下的所述外周融合信号特征选择集中的信号特征进行融合加权计算，生成当前强度等级下的外周代谢系数；
计算得到全部强度等级下的外周代谢系数，生成第四代谢系数序列；
提取所述第四代谢系数序列的最大值，生成外周代谢极值；
对所述第四代谢系数序列进行函数拟合，生成外周代谢曲线；
对所述第四代谢系数序列与所述强度等级序列进行特征序列归一化，计算两者的关联指标和距离指标，生成第四代谢特征数据集；
对所述第四代谢特征数据集进行加权计算，生成外周代谢指数。
35.如权利要求34所述的方法，其特征在于：所述外周融合信号特征选择集至少包括所述皮肤电信号特征中的一个皮肤传导水平特征、所述体温信号特征中的一个体温特征和所述血氧水平依赖BOLD信号特征中的一个总血红蛋白特征。
36.如权利要求34所述的方法，其特征在于：所述外周代谢系数的一种计算公式，如下：
Figure 426505DEST_PATH_IMAGE021
其中，
Figure 602271DEST_PATH_IMAGE022
为外周代谢系数，SCLF为所述皮肤电信号特征中的一皮肤传导水平特征，TPF为所述体温信号特征中的一个体温特征，
Figure 655066DEST_PATH_IMAGE023
为所述血氧水平依赖BOLD信号特征中的一个总血红蛋白特征，
Figure 269587DEST_PATH_IMAGE024
为外周代谢调节系数，
Figure 658980DEST_PATH_IMAGE025
为外周代谢调节截距，
Figure 67964DEST_PATH_IMAGE026
分别为所述皮肤电信号特征、所述体温信号特征和所述血氧水平依赖BOLD信号特征的平衡系数。
37.如权利要求1、25-36任一项所述的方法，其特征在于：所述特征序列归一化的计算方法，如下：
对于数值序列
Figure 605125DEST_PATH_IMAGE027
，获取序列的最大值
Figure 698370DEST_PATH_IMAGE028
和最小值
Figure 4587DEST_PATH_IMAGE030
；
序列归一化计算公式，为
Figure 522156DEST_PATH_IMAGE031
其中，
Figure 687558DEST_PATH_IMAGE032
为数值序列
Figure 315985DEST_PATH_IMAGE027
的归一化序列。
38.如权利要求25-36任一项所述的方法，其特征在于：所述关联指标至少包括相干系数、皮尔逊相关系数、杰卡德相似系数、线性互信息系数、线性相关系数。
39.如权利要求25-36任一项所述的方法，其特征在于：所述距离指标的计算方法，如下：
对于数值序列
Figure 476708DEST_PATH_IMAGE027
和数值序列
Figure 168108DEST_PATH_IMAGE033
，距离序列
Figure 679861DEST_PATH_IMAGE034
为两个序列中每一个时点值差值，即
Figure 174296DEST_PATH_IMAGE035
距离指标为距离序列
Figure 392788DEST_PATH_IMAGE034
的数值特征。
40.如权利要求39所述的方法，其特征在于：所述距离指标包括平均值、均方根、最大值、最小值、方差、标准差、变异系数、峰度和偏度。
41.如权利要求1所述的方法，其特征在于：所述动态代谢功能对照数据库的建立方式，如下：
按照动态代谢检测方案设计，让健康人群被试和动态代谢功能障碍者人群被试处于不同强度的生理代谢水平状态采集获取被试的生理状态信号，得到第一代谢生理状态信号；
对所述第一代谢生理状态信号进行数据预处理和数据分割，得到第二代谢生理状态信号；
对所述第二代谢生理状态信号进行信号整合处理、状态区间划分和信号特征分析，得到第一代谢生理状态特征；
对所述第一代谢生理状态特征进行代谢特征选择、特征序列归一化和代谢指数分析，得到第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集；
形成健康人群被试和动态代谢功能障碍者被试的动态代谢功能对照数据库。
42.一种动态代谢功能的检测量化系统，其特征在于，所述系统包括如下功能模块：
检测方案管理模块，用于动态代谢检测方案的设置、管理、执行和过程人身安全监测；
状态信号采集模块，用于同时获取被试的生理状态信号，得到第一代谢生理状态信号；
状态信号处理模块，用于对所述第一代谢生理状态信号进行数据预处理和数据分割，剔除异常数据，得到第二代谢生理状态信号；
状态特征分析模块，用于对所述第二代谢生理状态信号进行信号整合处理、状态区间划分和信号特征分析，得到所述第一代谢生理状态特征；
代谢特征分析模块，用于对所述第一代谢生理状态特征进行代谢特征选择、特征序列归一化和代谢指数分析，得到第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集；
功能评价报告模块，用于将被试的所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集与动态代谢功能对照数据库的第一生理代谢曲线集、第一生理代谢指数集和第一生理代谢极值集进行分析对比，得到被试动态代谢功能状态水平的检测量化报告或结果。
43.如权利要求42所述的系统，其特征在于：所述检测方案管理模块，包括以下功能单元：
方案管理单元，用于动态代谢检测方案的输入、设置、编辑、删除和其他管理，所述动态代谢检测方案至少包括检测方式类型、情景状态、强度等级、检测时长、检测间隔；
检测监测单元，用于根据动态代谢检测方案，实施相应强度等级的执行检测，并启动生理状态信号采集和人身安全实时监测。
44.如权利要求42所述的系统，其特征在于：所述状态信号采集模块，包括以下功能单元：
个人信息记录单元，用于记录被试的个人信息，所述个人信息至少包括姓名、性别、出生日期、年龄、身高、体重、血压、健康状况、疾病历史信息和临床诊疗意见；
设备参数设置单元，用于连接生理状态信号采集设备或传感器，实现信号通讯和数据传输，记录设备参数，所述设备参数至少包括设备名称、厂商、设备用途、采样率、通道名、通道数；
检测数据记录单元，用于记录存储所述动态代谢检测方案和所述生理状态信号，生成所述第一代谢生理状态信号。
45.如权利要求42所述的系统，其特征在于：所述状态信号处理模块，包括以下功能单元：
信号处理单元，用于对所述第一代谢生理状态信号进行信号预处理；
数据分割单元，用于根据不同强度等级检测的启动时点，对信号预处理后的所述第一代谢生理状态信号进行时间对齐和信号数据截取，并剔除异常数据，得到所述第二代谢生理状态信号。
46.如权利要求42所述的系统，其特征在于：所述状态特征分析模块，包括以下功能单元：
信号整合处理单元，用于将多部位或多通道的、同类型、同一强度等级的所述第二代谢生理状态信号进行信号整合处理；
信号区间设置单元，用于基线状态区间、行为执行区间、观察分析区间、间隔静息区间的设置；
状态特征分析单元，用于根据所述信号区间划分，对信号整合处理后的所述第二代谢生理状态信号进行状态特征提取，生成所述第一代谢生理状态特征。
47.如权利要求42所述的系统，其特征在于：所述代谢特征分析模块，包括以下功能单元：
特征选择定义单元，用于从所述第一代谢生理状态特征中筛选、定义或设置所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集的代谢特征分析的数据来源；
基础代谢分析单元，用于计算基础代谢极值、基础代谢曲线和基础代谢指数；
呼吸代谢分析单元，用于计算呼吸代谢极值、呼吸代谢曲线和呼吸代谢指数；
血液代谢分析单元，用于计算血液代谢极值、血液代谢曲线和血液代谢指数；
外周代谢分析单元，用于计算外周代谢极值、外周代谢曲线和外周代谢指数。
48.如权利要求42所述的系统，其特征在于：所述功能评价报告模块，包括以下功能单元：
对照数据库单元，用于建立、存储、更新与管理健康人群被试和动态代谢功能障碍者人群被试的基本信息，所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集构成的动态代谢功能对照数据库；
评价分析单元，用于将当前被试的所述第一生理代谢曲线集、所述第一生理代谢指数集和所述第一生理代谢极值集生成雷达图、线趋势图和/或数据表，供功能水平的对比分析和功能评价；
报告生成单元，用于生成并输出被试的动态代谢功能水平检测量化报告；
数据存储单元，用于存储动态代谢功能检测量化过程中的所有过程数据和全部结果数据。
49.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-41任一项所述方法的步骤。
50.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-41任一项所述方法的步骤。
CN202211231914.XA 2022-10-10 2022-10-10 一种动态代谢功能的检测量化方法和系统 Active CN115299887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211231914.XA CN115299887B (zh) 2022-10-10 2022-10-10 一种动态代谢功能的检测量化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211231914.XA CN115299887B (zh) 2022-10-10 2022-10-10 一种动态代谢功能的检测量化方法和系统

Publications (2)

Publication Number Publication Date
CN115299887A true CN115299887A (zh) 2022-11-08
CN115299887B CN115299887B (zh) 2023-01-03

Family

ID=83868430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211231914.XA Active CN115299887B (zh) 2022-10-10 2022-10-10 一种动态代谢功能的检测量化方法和系统

Country Status (1)

Country Link
CN (1) CN115299887B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115486818A (zh) * 2022-11-15 2022-12-20 安徽星辰智跃科技有限责任公司 一种运动神经通路检测量化的方法、系统和装置
CN115486819A (zh) * 2022-11-15 2022-12-20 安徽星辰智跃科技有限责任公司 一种感知觉神经通路多级联检测量化的方法、系统和装置
CN116269355A (zh) * 2023-05-11 2023-06-23 江西珉轩智能科技有限公司 一种基于人物姿态识别的安全监测系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120083700A1 (en) * 2010-10-01 2012-04-05 Ivan Osorio Detecting, quantifying, and/or classifying seizures using multimodal data
US20160078782A1 (en) * 2014-09-17 2016-03-17 The Trustees Of Boston College Glucose Ketone Index for MetabolicTherapy
CN107028603A (zh) * 2015-11-20 2017-08-11 塔塔咨询服务有限公司 使用脉搏触诊信号来检测人体内的糖尿病的装置和方法
CN107095649A (zh) * 2017-04-26 2017-08-29 董云鹏 新陈代谢评估系统
CN109157191A (zh) * 2018-06-15 2019-01-08 南京宁康中科医疗技术有限公司 自主神经心肺代谢系统调控能力和调控状态的测量方法和系统
CN110495862A (zh) * 2019-08-27 2019-11-26 中科宁心电子科技(南京)有限公司 一种心肺和谐系列指标评测方法、装置及系统
US20210196195A1 (en) * 2019-08-13 2021-07-01 Twin Health, Inc. Precision treatment with machine learning and digital twin technology for optimal metabolic outcomes
CN113171080A (zh) * 2021-04-19 2021-07-27 中国科学院深圳先进技术研究院 一种基于可穿戴传感信息融合的能量代谢评估方法和系统
US20210236043A1 (en) * 2020-01-31 2021-08-05 The Regents Of The University Of Michigan Brain metabolism monitoring through cco measurements using all-fiber- integrated super-continuum source
CN114098724A (zh) * 2021-11-22 2022-03-01 乐普（北京）医疗器械股份有限公司 基于光学信号特征及代谢热特征的血糖预测方法和装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120083700A1 (en) * 2010-10-01 2012-04-05 Ivan Osorio Detecting, quantifying, and/or classifying seizures using multimodal data
US20160078782A1 (en) * 2014-09-17 2016-03-17 The Trustees Of Boston College Glucose Ketone Index for MetabolicTherapy
CN107028603A (zh) * 2015-11-20 2017-08-11 塔塔咨询服务有限公司 使用脉搏触诊信号来检测人体内的糖尿病的装置和方法
CN107095649A (zh) * 2017-04-26 2017-08-29 董云鹏 新陈代谢评估系统
CN109157191A (zh) * 2018-06-15 2019-01-08 南京宁康中科医疗技术有限公司 自主神经心肺代谢系统调控能力和调控状态的测量方法和系统
US20210196195A1 (en) * 2019-08-13 2021-07-01 Twin Health, Inc. Precision treatment with machine learning and digital twin technology for optimal metabolic outcomes
CN110495862A (zh) * 2019-08-27 2019-11-26 中科宁心电子科技(南京)有限公司 一种心肺和谐系列指标评测方法、装置及系统
US20210236043A1 (en) * 2020-01-31 2021-08-05 The Regents Of The University Of Michigan Brain metabolism monitoring through cco measurements using all-fiber- integrated super-continuum source
CN113171080A (zh) * 2021-04-19 2021-07-27 中国科学院深圳先进技术研究院 一种基于可穿戴传感信息融合的能量代谢评估方法和系统
CN114098724A (zh) * 2021-11-22 2022-03-01 乐普（北京）医疗器械股份有限公司 基于光学信号特征及代谢热特征的血糖预测方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115486818A (zh) * 2022-11-15 2022-12-20 安徽星辰智跃科技有限责任公司 一种运动神经通路检测量化的方法、系统和装置
CN115486819A (zh) * 2022-11-15 2022-12-20 安徽星辰智跃科技有限责任公司 一种感知觉神经通路多级联检测量化的方法、系统和装置
CN116269355A (zh) * 2023-05-11 2023-06-23 江西珉轩智能科技有限公司 一种基于人物姿态识别的安全监测系统

Also Published As

Publication number Publication date
CN115299887B (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
US11389069B2 (en) Hemodynamic reserve monitor and hemodialysis control
CN115299887B (zh) 一种动态代谢功能的检测量化方法和系统
US11382571B2 (en) Noninvasive predictive and/or estimative blood pressure monitoring
US11915825B2 (en) Systems and methods of analyte measurement analysis
US11944451B2 (en) Noninvasive monitoring for fluid resuscitation
US11395634B2 (en) Estimating physiological states based on changes in CRI
US11478190B2 (en) Noninvasive hydration monitoring
US10278595B2 (en) Analysis and characterization of patient signals
US20160038043A1 (en) Assessing Effectiveness of CPR
US11395594B2 (en) Noninvasive monitoring for fluid resuscitation
RU2657384C2 (ru) Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий
CA2929819A1 (en) Noninvasive predictive and/or estimative blood pressure monitoring
CA3036417A1 (en) Estimating physiological states based on changes in cri
Mohammadi et al. An integrated human stress detection sensor using supervised algorithms
CN115251852B (zh) 一种体温调节功能的检测量化方法和系统
CN115836847A (zh) 一种血压预测装置及设备
CN112530538A (zh) 一种互联网智能化体检管理系统及其应用
US20230116132A1 (en) Hemodynamic Reserve Monitor and Hemodialysis Control
RU2806495C1 (ru) Способ диагностики патологических состояний и удаленного мониторинга пациентов и электронная медицинская станция для его осуществления
CN115886818B (zh) 一种基于胃肠电信号的抑郁焦虑障碍预测系统及其构建方法
WO2023053176A1 (ja) 学習装置、行動推薦装置、学習方法、行動推薦方法及び記憶媒体
Das et al. A novel health support system with biometric data acquisition device
JP2021037286A (ja) 心電図からの炭水化物代謝障害の非侵襲的検出のためにコンピュータが補助する方法
US7510528B2 (en) Device and method for noninvasive measuring glucose level in the blood
CN115054252A (zh) 一种基于生理信号复杂度不对称性的心理状态评测系统

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
GR01 Patent grant
GR01 Patent grant