CN115844415A - 一种基于心电数据的运动稳定性评估方法及系统 - Google Patents
一种基于心电数据的运动稳定性评估方法及系统 Download PDFInfo
- Publication number
- CN115844415A CN115844415A CN202211476815.8A CN202211476815A CN115844415A CN 115844415 A CN115844415 A CN 115844415A CN 202211476815 A CN202211476815 A CN 202211476815A CN 115844415 A CN115844415 A CN 115844415A
- Authority
- CN
- China
- Prior art keywords
- user
- value
- points
- ratio
- movement
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 68
- 238000011156 evaluation Methods 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000013097 stability assessment Methods 0.000 claims description 7
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- -1 approximate entropy Substances 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000025978 Athletic injury Diseases 0.000 description 1
- 206010041738 Sports injury Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种基于心电数据的运动稳定性评估方法及系统，所述方法包括：获取用户运动前和运动后的心电信号。提取所述心电信号的心电特征。对所述心电特征进行可视化建模，得到心电特征随时间变化的三维环形动态模型。根据所述三维环形动态模型，对心电特征进行二次特征提取，得到运动稳定性评估参数。所述运动稳定性评估参数包括三维环形动态模型的环形面积、时限向量、近似熵、样本熵和模糊熵。根据运动稳定性评估参数，对用户的运动稳定性进行评估。本发明能够准确反应用户运动前后的心电模式变化情况，从而准确评估用户的运动稳定性，进而根据用户的运动稳定性评估出用户的运动能力，提高了用户运动能力的精度。
Description
技术领域
本发明涉及领域，更具体地，涉及一种基于心电数据的运动稳定性评估方法及系统。
背景技术
不同个体因为身体状况和平时锻炼程度的不同，对于运动的适应性和承受能力也有所不同。同样强度的运动，如果强行进行，将会对身体产生极大的风险和危害，因此，运动能力的评估问题是具有极大现实意义的研究问题。
现有一种运动能力评估系统，其包括测试采集、录入模块、身体动作能力评估模块、运动损伤风险预测模块、身体动作能力评估报告模块；其通过将测试采集和录入模块采集到的数据，通过身体动作能力评估模块和运动损伤风险预测模块的计算得到评估数据，再通过身体动作能力评估报告模块生成相应的测试结果报告。
上述评估系统虽在一定程度上能评估用户的运动能力，但仍存在评估精度低的缺陷，评估结果不准确。
发明内容
本发明为克服现有技术对用户运动能力评估精度低和不准确的缺陷，提供一种基于心电数据的运动稳定性评估方法及系统。
为解决上述技术问题，本发明的技术方案如下：
第一个方面，本发明提出一种基于心电数据的运动稳定性评估方法，包括：
获取用户运动前和运动后的心电信号。
提取所述心电信号的心电特征。
对所述心电特征进行可视化建模，得到心电特征随时间变化的三维环形动态模型。
根据所述三维环形动态模型，对心电特征进行二次特征提取，得到运动稳定性评估参数。所述运动稳定性评估参数包括三维环形动态模型的环形面积、时限向量、近似熵、样本熵和模糊熵。
根据运动稳定性评估参数，对用户的运动稳定性进行评估。
第二个方面，本发明还提出一种基于心电数据的运动稳定性评估系统，包括：
获取模块，用于获取用户运动前和运动后的心电信号。
第一提取模块，用于提取所述心电信号的心电特征。
构建模块，用于对所述心电特征进行可视化建模，得到心电特征随时间变化的三维环形动态模型。
第二提取模块，用于根据所述三维环形动态模型，对心电特征进行二次特征提取，得到运动稳定性评估参数。所述运动稳定性评估参数包括三维环形动态模型的环形面积、时限向量、近似熵、样本熵和模糊熵。
评估模块，用于根据运动稳定性评估参数，对用户的运动稳定性进行评估。
与现有技术相比，本发明技术方案的有益效果是：本发明通过人体运动前后的心电信号进行分析处理，提取心电特征，并对所述心电特征进行可视化建模进一步提取了包括环形面积、时限向量、近似熵、样本熵和模糊熵等反映运动前后信号离散程度的运动稳定性评估参数，能够准确反应用户运动前后的心电模式变化情况，从而准确评估用户的运动稳定性，进而根据用户的运动稳定性评估出用户的运动能力，提高了用户运动能力的精度。
附图说明
图1为本申请实施例的基于心电数据的运动稳定性评估方法流程图。
图2为本申请实施例的人体心电信号的示意图。
图3为本申请实施例的奇偶心拍信号数据提取示意图。
图4为本申请实施例的实施例中变化趋势数据提取的三维可视化图。
图5为本申请实施例的基于心电数据的运动稳定性评估系统架构图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
下面结合附图和实施例对本发明的技术方案做进一步的说明。
物体或系统在外干扰(运动)的作用下偏离其正常状态后具有返回该状态的性质。若逐渐返回原状态则认为此物体或者系统是运动稳定的，否则就是不稳定的。通过考究运动前后的身体状况和身体参数，研究运动的稳定性，是运动评估能力的重要方面。
实施例一
请参阅图1，本实施例提出一种基于心电数据的运动稳定性评估方法，包括：
获取用户运动前和运动后的心电信号。
提取所述心电信号的心电特征。
对所述心电特征进行可视化建模，得到心电特征随时间变化的三维环形动态模型。
根据所述三维环形动态模型，对心电特征进行二次特征提取，得到运动稳定性评估参数。所述运动稳定性评估参数包括三维环形动态模型的环形面积、时限向量、近似熵、样本熵和模糊熵。
根据运动稳定性评估参数，对用户的运动稳定性进行评估。
本实施例所提出的基于心电数据的运动稳定性评估方法，通过人体运动前后的心电信号进行分析处理，提取心电特征，并对所述心电特征进行可视化建模进一步提取了包括环形面积、时限向量、近似熵、样本熵和模糊熵等反映运动前后信号离散程度的运动稳定性评估参数，能够准确反应用户运动前后的心电模式变化情况，从而准确评估用户的运动稳定性，进而根据用户的运动稳定性评估出用户的运动能力，提高了用户运动能力的精度。
实施例二
本实施例在实施例一提出的基于心电数据的运动稳定性评估方法作出改进。
本实施例采用心电数据库是德国国家计量学会Physikalisch-TechnischeBundesanstalt(PTB)提供的PTB心电数据库，如图2所示，其为人体心电信号的示意图。记录采集心电数据库包含来自290位受试者的心电记录，每个记录都包含常规的12条引线(i，ii，iii，avr，avl，avf，v1，v2，v3，v4，v5，v6)数据。本实施例将采样的连续心电信号时间序列看成固定长度为N的数据队列，然后对平均滤波和中值滤波处理后的波形提取每个心动周期中的R波和T波，以此获取全部心动周期R波和T波波峰点。
本实施例中，所述提取所述心电信号的心电特征的具体步骤包括：
从所述心电信号中抽取出奇数心拍和偶数心拍。分别提取奇数心拍的T波幅值变化特征和偶数心拍的T波幅值变化特征。计算所述奇数心拍的T波幅值变化特征和所述偶数心拍的T波幅值变化特征的差值，得到奇偶心拍T波幅值差值特征。如图3所示，其为奇偶心拍信号数据提取示意图。
在具体实施过程中，采集20个不同个体400米慢跑前后平躺静息时候的心电信号，对平均滤波和中值滤波处理后的波形提取每个心动周期中的T波开始点、结束点与波峰点。去掉前两个心电心拍后，得到心电心拍序列A1B1A2B2A3B3…AnBn，将心电心拍分成奇数心拍A1A2A3…An和偶数心拍B1B2B3…Bn，在奇数心拍序列A1A2A3…An中提取T波幅值相邻两拍的差值特征、在偶数心拍序列中提取T波幅值相邻两拍的差值特征、奇偶增量心拍序列C1C2C3…Cn(A1A2A3…An与B1B2B3…Bn对应T波幅值差值作为C1C2C3…Cn的数据数值)幅值相邻两拍的差值特征作为心电特征。
本实施例中，所述三维环形动态模型的表达式如下所示：
F(x；p)＝[f1(x；p),…,fn(x；p)]T
v(x；p)＝[v1(x；p),…,vn(x；p)]T
其中，x＝[x1,…,xn]T∈Rn为提取到的三个心电T波幅值差值特征，p为可设定的常数参数，F(x；p)为对应的变化趋势项，v(x；p)为兼顾无法单独排除的微小噪声而引入的不确定项。
在具体实施过程中，结合心电信号的特有属性，选用一般的非线性动态系统模型
对信号的变化趋势进行建模，建模所得的结果可以更加敏感直观地反映特征信号随时间动态变化的信息。在所述非线性动态系统模型中，x＝[x1,…,xn]T∈Rn为提取到的三个心电T波幅值差值特征，p代表了建模所需的常数参数值；F(x；p)＝[f1(x；p),…,fn(x；p)]T是对应的三个变化趋势项，是非线性项，代表了信号随时间变化的变化快慢规律，v(x；p)＝[v1(x；p),…,vn(x；p)]T是为了兼顾没法单独排除的微小噪声而引入的不确定项；将v(x；p)和F(x；p)合并起来：/>
另外构建神经网络
对非线性动态系统模型
进行建模并绘制在三维直角坐标系中，实现信息的三维可视化显示。其中，/>
是神经网络建模所用的状态变量；A是设计的常数矩阵；
代表所用的神经网络权值和核函数。所述神经网络权值的调节律可根据李雅普洛夫稳定性定理使状态误差与权值估计都有界并指数收敛。最终收敛的神经网络权值取数值平均，获取相应的神经网络常值的权值/>
即/>
可用常值神经网络/>
进行建模：/>
εi2是建模误差项。该结果可以绘制在三维直角坐标系中，实现信息的三维可视化显示，可以发现所得结果呈三维环形，同时该三维环形在运动前后呈现不同的离散程度。如图4所示，其为变化趋势数据提取的三维可视化图。
本实施例中，所述环形面积包括额面面积、横面面积和右侧面面积；提取所述额面面积、横面面积和右侧面面积的步骤具体包括：
将心电特征随时间变化的变化趋势数据分别投影到三维环形动态模型的XY平面、XZ平面和YZ平面；
计算XY平面、XZ平面和YZ平面二维环形的最小外接矩阵，并以所述XY平面、XZ平面和YZ平面二维环形的最小外接矩阵的面积分别作为额面面积、横面面积和右侧面面积。
本实施例中，所述时限向量包括第一时限向量、第二时限向量和第三时限向量；
所述第一时限向量以三维环形动态模型的变化趋势数据的起始点到四分之一总时限数据点的振幅A1/和角度θ1/构成；
所述第二时限向量以三维环形动态模型的变化趋势数据的起始点到二分之一总时限数据点的振幅A1/和角度θ1/构成；
所述第三时限向量以三维环形动态模型的变化趋势数据的起始点到四分之三总时限数据点的振幅A3/和角度θ3/构成。
本实施例中，所述近似熵ApEnk的提取步骤具体包括：
根据三维环形动态模型的变化趋势数据序列xk＝{xk(n)|n＝1,2,...,N}，k＝1,2,3，构建m维向量Xk(1)，Xk(2),...,Xk(i),...,Xk(N-m+1)；n为采样时刻值，N为总的采样点数；
计算m维向量中任意向量Xk(i),Xk(j)之间的振幅d[Xk(i),Xk(j)]，其表达式如下所示：
其中，a为表示采样序列中数据点顺序号的标识符，
为向量Xk(i)中的元素，
为向量Xk(j)中的元素；
设定阈值r，统计变化趋势数据序列xk中满足d[Xk(i),Xk(j)]的向量个数S
定义
和/>
计算近似熵ApEnk，其表达式如下所示：
本实施例中，所述样本熵SampEnk的提取步骤包括：
计算变化趋势数据序列xk中的第一平均值
其表达式如下所示：
设定阈值r，统计变化趋势数据序列xk中满足
的向量个数S，得到/>
根据
和/>
计算样本熵SampEnk：
本实施例中，所述模糊熵FuzzyEnk的提取步骤包括：
构建m维向量的相空间Xk(i)，其表达式如下所示：
Xk(i)＝[uk(i),uk(i+1),...,uk(i+m-1)]-uk0(i),i＝1,2,...,N-m+1
其中，uk(i)为m维向量的相空间Xk(i)中的元素；
计算变化趋势数据序列xk第二平均值
其表达式如下所示：
其中，
为引入的模糊隶属度函数；
其中，
为向量Xk(i)和向量Xk(j)之间的最大绝对距离，其表达式如下所示：
根据第二平均值
计算模糊熵FuzzyEnk，其表达式如下所示：
本实施例中，根据运动稳定性评估参数，对用户的运动稳定性进行评估，具体包括：
根据用户的运动稳定性评估参数，对用户进行评分，具体的评分规则包括：
(1)当用户运动前后的额面面积比值大于0.4，赋值3分；当用户运动前后的额面面积比值小于等于0.4，赋值5分；
(2)当用户运动前后的横面面积比值大于0.35，赋值3分；当用户运动前后的横面面积比值小于等于0.35，赋值5分；
(3)当用户运动前后的右侧面面积比值大于0.55，赋值3分；当用户运动前后的右侧面面积比值小于等于0.55，赋值5分；
(4)当用户运动前后第一时限向量的角度θ1/比值大于0.45，赋值2分；当用户运动前后第一时限向量的角度θ1/比值小于等于0.45，赋值3分；
(5)当用户运动前后第一时限向量的角度θ1/比值大于0.45，赋值2分；当用户运动前后第一时限向量的角度θ1/比值小于等于0.45，赋值3分；
(6)当用户运动前后第一时限向量的角度θ3/比值大于0.45，赋值2分；当用户运动前后第一时限向量的角度θ3/比值小于等于0.45，赋值3分；
(7)当用户运动前后第一时限向量的振幅A1/比值大于0.55，赋值2分；当用户运动前后第一时限向量的振幅A1/比值小于等于0.55，赋值3分；
(8)当用户运动前后第一时限向量的振幅A1/比值大于0.55，赋值2分；当用户运动前后第一时限向量的振幅A1/比值小于等于0.55，赋值3分；
(9)当用户运动前后第一时限向量的振幅A1/比值大于0.55，赋值2分；当用户运动前后第一时限向量的振幅A1/比值小于等于0.55，赋值3分；
(10)当用户运动前后的近似熵比值大于0.7，赋值1分；当用户运动前后的近似熵比值比值小于等于0.7且大于0.5赋值3分；当用户运动前后的近似熵比值比值小于等于0.5，赋值5分；
(11)当用户运动前后的样本熵比值大于0.6，赋值1分；当用户运动前后的样本熵比值小于等于≤0.6且大于>0.35，赋值3分；当用户运动前后的样本熵比值小于等于0.35，赋值分5分；
(12)当用户运动前后的模糊熵比值大于0.6，赋值1分；当用户运动前后的模糊熵比值小于等于≤0.6且大于>0.35，赋值3分；当用户运动前后的模糊熵比值小于等于0.35，赋值分5分；
根据用户的评分结果，对用户的运动稳定性进行评估，具体为：
当用户的赋值分小于等于5时，判定用户的运动稳定性强；
当用户的赋值分大于等于6且小于等于30，判定用户的运动稳定性中等；
当用户的赋值分大于等于31且小于等于35，判定用户的运动稳定性弱。
实施例三
参阅图5，本实施例提出一种基于心电数据的运动稳定性评估系统，包括：
获取模块，用于获取用户运动前和运动后的心电信号。
第一提取模块，用于提取所述心电信号的心电特征。
构建模块，用于对所述心电特征进行可视化建模，得到心电特征随时间变化的三维环形动态模型。
第二提取模块，用于根据所述三维环形动态模型，对心电特征进行二次特征提取，得到运动稳定性评估参数。所述运动稳定性评估参数包括三维环形动态模型的环形面积、时限向量、近似熵、样本熵和模糊熵。
评估模块，用于根据运动稳定性评估参数，对用户的运动稳定性进行评估。
本实施例所提出的运动稳定性评估系统，通过人体运动前后的心电信号进行分析处理，提取心电特征，并对所述心电特征进行可视化建模进一步提取了包括环形面积、时限向量、近似熵、样本熵和模糊熵等反映运动前后信号离散程度的运动稳定性评估参数，能够准确反应用户运动前后的心电模式变化情况，从而准确评估用户的运动稳定性，进而根据用户的运动稳定性评估出用户的运动能力，提高了用户运动能力的精度。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于心电数据的运动稳定性评估方法，其特征在于，包括：
获取用户运动前和运动后的心电信号；
提取所述心电信号的心电特征；
对所述心电特征进行可视化建模，得到心电特征随时间变化的三维环形动态模型；
根据所述三维环形动态模型，对心电特征进行二次特征提取，得到运动稳定性评估参数；所述运动稳定性评估参数包括三维环形动态模型的环形面积、时限向量、近似熵、样本熵和模糊熵；
根据运动稳定性评估参数，对用户的运动稳定性进行评估。
2.根据权利要求1所述的基于心电数据的运动稳定性评估方法，其特征在于，所述三维环形动态模型的表达式如下所示：
F(x；p)＝[f1(x；p),…,fn(x；p)]T
v(x；p)＝[v1(x；p),…,vn(x；p)]T
其中，x＝[x1,…,xn]T∈Rn为提取到的三个心电T波幅值差值特征，p为可设定的常数参数，F(x；p)为对应的变化趋势项，v(x；p)为兼顾无法单独排除的微小噪声而引入的不确定项。
3.根据权利要求2所述的基于心电数据的运动稳定性评估方法，其特征在于，所述环形面积包括额面面积、横面面积和右侧面面积；提取所述额面面积、横面面积和右侧面面积的步骤具体包括：
将心电特征随时间变化的变化趋势数据分别投影到三维环形动态模型的XY平面、XZ平面和YZ平面；
计算XY平面、XZ平面和YZ平面二维环形的最小外接矩阵，并以所述XY平面、XZ平面和YZ平面二维环形的最小外接矩阵的面积分别作为额面面积、横面面积和右侧面面积。
4.根据权利要求2所述的基于心电数据的运动稳定性评估方法，其特征在于，所述时限向量包括第一时限向量、第二时限向量和第三时限向量；
所述第一时限向量以三维环形动态模型的变化趋势数据的起始点到四分之一总时限数据点的振幅A1/4和角度θ1/4构成；
所述第二时限向量以三维环形动态模型的变化趋势数据的起始点到二分之一总时限数据点的振幅A1/2和角度θ1/2构成；
所述第三时限向量以三维环形动态模型的变化趋势数据的起始点到四分之三总时限数据点的振幅A3/4和角度θ3/4构成。
5.根据权利要求4所述的基于心电数据的运动稳定性评估方法，其特征在于，所述近似熵ApEnk的提取步骤具体包括：
根据三维环形动态模型的变化趋势数据序列xk＝{xk(n)|n＝1,2,...,N}，k＝1,2,3，构建m维向量Xk(1)，Xk(2),...,Xk(i),...,Xk(N-m+1)；n为采样时刻值，N为总的采样点数；
计算m维向量中任意向量Xk(i),Xk(j)之间的振幅d[Xk(i),Xk(j)]，其表达式如下所示：
其中，a为表示采样序列中数据点顺序号的标识符，
为向量Xk(i)中的元素，/>
为向量Xk(j)中的元素；
设定阈值r，统计变化趋势数据序列xk中满足d[Xk(i),Xk(j)]的向量个数S
定义
和/>
计算近似熵ApEnk，其表达式如下所示：
6.根据权利要求5所述的基于心电数据的运动稳定性评估方法，其特征在于，所述样本熵SampEnk的提取步骤包括：
计算变化趋势数据序列xk中的第一平均值
其表达式如下所示：
设定阈值r，统计变化趋势数据序列xk中满足d[Xk,Xk *]≤r的向量个数S，并计算样本熵SampEnk，其表达式如下所示：
7.根据权利要求6所述的基于心电数据的运动稳定性评估方法，其特征在于，所述模糊熵FuzzyEnk的提取步骤包括：
构建m维向量的相空间Xk(i)，其表达式如下所示：
Xk(i)＝[uk(i),uk(i+1),...,uk(i+m-1)]-uk0(i),i＝1,2,...,N-m+1
其中，uk(i)为m维向量的相空间Xk(i)中的元素；
计算变化趋势数据序列xk第二平均值
其表达式如下所示：
其中，
为引入的模糊隶属度函数；
根据第二平均值
计算模糊熵FuzzyEnk，其表达式如下所示：
8.根据权利要求1所述的基于心电数据的运动稳定性评估方法，其特征在于，所述提取所述心电信号的心电特征的具体步骤包括：
从所述心电信号中抽取出奇数心拍和偶数心拍；
分别提取奇数心拍的T波幅值变化特征和偶数心拍的T波幅值变化特征；
计算所述奇数心拍的T波幅值变化特征和所述偶数心拍的T波幅值变化特征的差值，得到奇偶心拍T波幅值差值特征。
9.根据权利要求7所述的基于心电数据的运动稳定性评估方法，其特征在于，根据运动稳定性评估参数，对用户的运动稳定性进行评估，具体包括：
根据用户的运动稳定性评估参数，对用户进行评分，具体的评分规则包括：
(1)当用户运动前后的额面面积比值大于0.4，赋值3分；当用户运动前后的额面面积比值小于等于0.4，赋值5分；
(2)当用户运动前后的横面面积比值大于0.35，赋值3分；当用户运动前后的横面面积比值小于等于0.35，赋值5分；
(3)当用户运动前后的右侧面面积比值大于0.55，赋值3分；当用户运动前后的右侧面面积比值小于等于0.55，赋值5分；
(4)当用户运动前后第一时限向量的角度θ1/4比值大于0.45，赋值2分；当用户运动前后第一时限向量的角度θ1/4比值小于等于0.45，赋值3分；
(5)当用户运动前后第一时限向量的角度θ1/2比值大于0.45，赋值2分；当用户运动前后第一时限向量的角度θ1/2比值小于等于0.45，赋值3分；
(6)当用户运动前后第一时限向量的角度θ3/4比值大于0.45，赋值2分；当用户运动前后第一时限向量的角度θ3/4比值小于等于0.45，赋值3分；
(7)当用户运动前后第一时限向量的振幅A1/4比值大于0.55，赋值2分；当用户运动前后第一时限向量的振幅A1/4比值小于等于0.55，赋值3分；
(8)当用户运动前后第一时限向量的振幅A1/4比值大于0.55，赋值2分；当用户运动前后第一时限向量的振幅A1/2比值小于等于0.55，赋值3分；
(9)当用户运动前后第一时限向量的振幅A1/4比值大于0.55，赋值2分；当用户运动前后第一时限向量的振幅A1/2比值小于等于0.55，赋值3分；
(10)当用户运动前后的近似熵比值大于0.7，赋值1分；当用户运动前后的近似熵比值比值小于等于0.7且大于0.5赋值3分；当用户运动前后的近似熵比值比值小于等于0.5，赋值5分；
(11)当用户运动前后的样本熵比值大于0.6，赋值1分；当用户运动前后的样本熵比值小于等于≤0.6且大于>0.35，赋值3分；当用户运动前后的样本熵比值小于等于0.35，赋值分5分；
(12)当用户运动前后的模糊熵比值大于0.6，赋值1分；当用户运动前后的模糊熵比值小于等于≤0.6且大于>0.35，赋值3分；当用户运动前后的模糊熵比值小于等于0.35，赋值分5分；
根据用户的评分结果，对用户的运动稳定性进行评估，具体为：
当用户的赋值分小于等于5时，判定用户的运动稳定性强；
当用户的赋值分大于等于6且小于等于30，判定用户的运动稳定性中等；
当用户的赋值分大于等于31且小于等于35，判定用户的运动稳定性弱。
10.一种基于心电数据的运动稳定性评估，其特征在于，包括：
获取模块，用于获取用户运动前和运动后的心电信号；
第一提取模块，用于提取所述心电信号的心电特征；
构建模块，用于对所述心电特征进行可视化建模，得到心电特征随时间变化的三维环形动态模型；
第二提取模块，用于根据所述三维环形动态模型，对心电特征进行二次特征提取，得到运动稳定性评估参数；所述运动稳定性评估参数包括三维环形动态模型的环形面积、时限向量、近似熵、样本熵和模糊熵；
评估模块，用于根据运动稳定性评估参数，对用户的运动稳定性进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211476815.8A CN115844415B (zh) | 2022-11-23 | 2022-11-23 | 一种基于心电数据的运动稳定性评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211476815.8A CN115844415B (zh) | 2022-11-23 | 2022-11-23 | 一种基于心电数据的运动稳定性评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115844415A true CN115844415A (zh) | 2023-03-28 |
| CN115844415B CN115844415B (zh) | 2024-08-16 |
Family
ID=85665528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211476815.8A Active CN115844415B (zh) | 2022-11-23 | 2022-11-23 | 一种基于心电数据的运动稳定性评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115844415B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116978561A (zh) * | 2023-07-17 | 2023-10-31 | 北京师范大学-香港浸会大学联合国际学院 | 一种基于模糊熵的运动风险评估方法、系统、设备及介质 |
| CN118039134A (zh) * | 2024-04-09 | 2024-05-14 | 达州市中心医院(达州市人民医院) | 基于大数据的医疗信息数据增强方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170238858A1 (en) * | 2015-07-30 | 2017-08-24 | South China University Of Technology | Depression assessment system and depression assessment method based on physiological information |
| CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
| CN110215202A (zh) * | 2019-05-14 | 2019-09-10 | 杭州电子科技大学 | 基于步态非线性特征的心电rr间隔预测关联方法 |
| CN115299956A (zh) * | 2022-08-19 | 2022-11-08 | 山东大学 | 一种基于确定学习和心电图的心肌缺血检测方法及系统 |
-
2022
- 2022-11-23 CN CN202211476815.8A patent/CN115844415B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170238858A1 (en) * | 2015-07-30 | 2017-08-24 | South China University Of Technology | Depression assessment system and depression assessment method based on physiological information |
| CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
| CN110215202A (zh) * | 2019-05-14 | 2019-09-10 | 杭州电子科技大学 | 基于步态非线性特征的心电rr间隔预测关联方法 |
| CN115299956A (zh) * | 2022-08-19 | 2022-11-08 | 山东大学 | 一种基于确定学习和心电图的心肌缺血检测方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116978561A (zh) * | 2023-07-17 | 2023-10-31 | 北京师范大学-香港浸会大学联合国际学院 | 一种基于模糊熵的运动风险评估方法、系统、设备及介质 |
| CN116978561B (zh) * | 2023-07-17 | 2024-03-22 | 北京师范大学-香港浸会大学联合国际学院 | 一种基于模糊熵的运动风险评估方法、系统、设备及介质 |
| CN118039134A (zh) * | 2024-04-09 | 2024-05-14 | 达州市中心医院(达州市人民医院) | 基于大数据的医疗信息数据增强方法及系统 |
| CN118039134B (zh) * | 2024-04-09 | 2024-06-04 | 达州市中心医院(达州市人民医院) | 基于大数据的医疗信息数据增强方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115844415B (zh) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
| CN115844415A (zh) | 一种基于心电数据的运动稳定性评估方法及系统 | |
| EP3692904B1 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
| EP3698707A1 (en) | Electrocardiogram information dynamic monitoring method and dynamic monitoring system | |
| CN110141218B (zh) | 一种心电信号分类方法、装置及程序产品、存储介质 | |
| EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
| CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
| CN111248879B (zh) | 一种基于多模态注意力融合的高血压老年人活动分析方法 | |
| Demirel et al. | Energy-efficient real-time heart monitoring on edge–fog–cloud internet of medical things | |
| CN116602642B (zh) | 心率监测方法、装置、设备 | |
| Fan et al. | Wearable motion attitude detection and data analysis based on Internet of Things | |
| CN115299956B (zh) | 一种基于确定学习和心电图的心肌缺血检测方法及系统 | |
| CN111557659A (zh) | 基于多特征融合与Stacking-DWKNN的心律失常分类方法 | |
| CN105796091B (zh) | 一种用于去除心电信号车辆运动噪声的智能终端 | |
| CN114469041B (zh) | 一种运动过程中心率变化数据特征分析方法 | |
| Yang et al. | Detection of strict left bundle branch block by neural network and a method to test detection consistency | |
| CN117813052A (zh) | 以2个导联的异步心电图为基础生成同步心电图的方法 | |
| Ganguly et al. | A non-invasive approach for fetal arrhythmia detection and classification from ecg signals | |
| Meqdad et al. | Meta structural learning algorithm with interpretable convolutional neural networks for arrhythmia detection of multisession ECG | |
| Ding-Fei et al. | Study of feature extraction based on autoregressive modeling in EGG automatic diagnosis | |
| CN115153583A (zh) | 一种基于特征提取的心电信号分类识别方法及系统 | |
| Wang et al. | Contactless Radar Heart Rate Variability Monitoring Via Deep Spatio-Temporal Modeling | |
| CN107753014A (zh) | 心电图检测方法 | |
| CN114098754A (zh) | 一种房颤信号预处理方法、检测系统、设备及存储介质 | |
| CN116744850A (zh) | 基于深度学习算法的心电图生成系统及方法 |
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 |