CN115886727A - 一种自主神经检测装置、自主神经检测方法及系统 - Google Patents
一种自主神经检测装置、自主神经检测方法及系统 Download PDFInfo
- Publication number
- CN115886727A CN115886727A CN202211300044.7A CN202211300044A CN115886727A CN 115886727 A CN115886727 A CN 115886727A CN 202211300044 A CN202211300044 A CN 202211300044A CN 115886727 A CN115886727 A CN 115886727A
- Authority
- CN
- China
- Prior art keywords
- subject
- standard deviation
- seconds
- point
- data
- 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
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了与某种状态相关的自主神经检测装置,具体包含如下部分:收集检测对象脉搏数据的数据采集器、根据洛伦兹曲线原理运行的通过脉搏数据计算自主神经活跃总功率的计算器。通过本发明所提供的技术手段,能使得自主神经功能测评得以迅速高效完成。
Description
优先权说明
本申请是根据2022年3月31日提交的日本专利申请No.2022-060417提出的,此处引用其内容。
技术领域
本发明涉及一种自主神经检测装置、自主神经检测方法及系统。
背景技术
作为能够客观评价是否产生疲惫的指标,关于自主神经系统功能分析的相关研究很受重视。自主神经,包含主要在人清醒或紧张时活跃的交感神经与主要在人睡眠或放松时活跃的副交感神经两部分,两者处于平衡状态方可对生理机能状况进行调节。比如专利文献1号里所展示的对车辆乘坐人员自主神经状态进行判定的装置。在测评被测者自主神经功能的时候,往往会把120秒间脉搏次数作为周波数。但在实际测试的过程当中,根据自主神经功能检测方法、目的等的不同,也存在检测时间(即120秒)过长这一问题。
现有技术利文献1:专利公布2022-23702公报。
发明内容
因此,本发明本发明为与某种状态相关的自主神经检测装置,具体包含如下部分:收集检测对象脉搏数据的数据采集器、根据洛伦兹曲线原理运行的通过脉搏数据计算自主神经活跃总功率的计算器。通过本发明所提供的技术手段,能使得自主神经功能测评得以迅速高效完成。
所以,提供以下技术方案:
一种自主神经检测装置,包括:
采集作为评价对象的实验对象的心跳数据的采集部,
和基于洛伦兹散点图,计算从所述的心跳数据来展示所述实验对象的自主神经整体功能的,作为指标的总功率的计算部,
进一步地,所述采集部采集所述实验对象的年龄,
持有存储显示按实验对象年龄分布的自主神经活动量的分布数据的存储部,
所述计算部运用所述实验对象的总功率及所述实验对象的心跳数据,计算所述实验对象的自主神经活动量,并用所述分布数据和所述实验对象的自主神经活动量,计算所述实验对象的自主神经活动量的偏差值。
进一步地,所述计算部,
将所述心跳数据的间隔中,连续的两个间隔分别设为x点和y点,来绘制x轴和y轴,制成图表,
将所述图表上的点投射到x=y轴上得到一个投影点,将投影点和原点(0,0)之间的距离的标准偏差,与规定系数(D)相乘,得到第1标准偏差并将其作为长轴;将所述图表上的点投射到x=-y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第2标准偏差并将其作为短轴,计算第1椭圆形,
关于所述图表上位于所述第1椭圆形内部的点,将所述图表上的点投射到x=y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第3标准偏差并将其作为长轴;将所述图表上的点投射到x=-y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第4标准偏差并将其作为短轴,计算第2椭圆形,
将所述第2椭圆形的面积代入规定算式,来计算所述实验对象的总功率。
进一步地,所述采集部通过对所述实验对象进行3~60秒的测量,获取所述实验对象的心跳数据。
进一步地,所述采集部通过对所述实验对象进行3~25秒的测量,获取所述实验对象的心跳数据。
一种自主神经评价方法,采集作为评价对象的实验对象的心跳数据这一个步骤,
和基于洛伦兹散点图,计算从所述的心跳数据来展示所述实验对象的自主神经整体功能的,作为指标的总功率的步骤。
一种计算机执行系统,其特征在于,包括以下步骤:
步骤一,采集作为评价对象的实验对象的心跳数据和基于洛伦兹散点图,
步骤二,计算从所述的心跳数据来展示所述实验对象的自主神经整体功能的,作为指标的总功率。
通过本发明所提供的技术手段,能使得自主神经功能测评得以迅速高效完成。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图:
【图1】与本次实施形态相关的测评装置硬件结构示意图;
【图2】ccvTP与年龄关系示意图;
【图3】年龄与LF值的关系、年龄与HF值的关系调查结果示意图;
【图4】检测装置的各功能模块结构示意图;
【图5】检测装置高效实施自主神经功能测评的流程图;
【图6】根据洛伦兹曲线原理计算被测者总功率的方法说明图;
【图7】LP.s、LP.m、年龄及TP的重回归分析结果示意图;
【图8】LP.s、LP.m、年龄及TP的关系示意图;
【图9】TP及LP.s的关系示意图;
【图10】TP及LP.s的关系示意图;
【图11】LP.s、LP.m、年龄及TP的重回归分析结果示意图;
【图12】LP.s、LP.m、年龄及TP的关系示意图;
【图13】TP及LP.s的关系示意图;
【图14】TP及LP.s的关系示意图;
【图15】检测装置检测副交感神经的流程图;
【图16】检测装置检测交感神经的流程图;
【图17】HF间的关系示意图;
【图18】HF间的关系示意图;
【图19】LP.s、LP.m、年龄及HF的重回归分析结果示意图;
【图20】LP.s、LP.m、年龄及HF的关系示意图;
【图21】HF及LP.s的关系示意图;
【图22】HF及LP.s的关系示意图。
具体实施方式
以下将根据图示,说明本发明的实施形态。在各个图中用的是同一套符号,装置构成也是一样的。
<系统构成>
图1是检测装置10的硬件构成示意图。检测装置10(自主神经检测装置)包含CPU(Central Processing Unit)、GPU(Graphical Processing Unit)等处理程序11,MEMORY、HDD(Hard Disk Drive)以及SSD(Solid State Drive)等记录装置12,输入装置13,输出装置14和活体数据采集装置15。检测装置10可用专门的硬件制造,也可使用用于制造个人电脑的通用硬件。
输入装置13,是将被测者数据输入的装置,由关键词、操作按钮和触摸屏上的输入界面组成。在本实施形态下,被测者相关数据中年龄数据必须被输入装置。其余的姓名、地址、性别等信息则无需输入。
输出装置12是将分析完成的数据输出的装置,包含显示器、LED、触摸屏、打印机及扩音器等。
活体数据采集装置15是收集被测者身体数据的装置。身体数据包含脉搏数据等。活体数据采集装置15,也可配置上心电计或测脉搏的仪器。如检测装置10可通过输入装置13输入外部心电计或测脉搏仪器所测定的心跳、脉搏数,则无需装备活体数据采集装置15。此外,以下是针对活体数据和心跳脉搏数据的说明。
显示交感神经活跃情况的指标LF(Low Frequency)值和显示副交感神经活跃状况的指标HF(High Frequency)值是通过分析周期性活体数据得到的。周波数解析(时间周波数解析)的方法则可以使用最普遍的解析方法,例如MEM(Maximum Entropy Model)法、FFT(Fast Fourier Transform)法、wavelet法等。在各种方法当中,最优选择是MEM法。通过MEM法在时间利用上可达到更高效率,它将周波数领域分为低周波数成分(LF:0.04-0.15Hz)和高周波数成分(HF:0.15-0.40Hz),再根据各自的总和计算出LF值和HF值。
具体来说,LF值和HF值可通过以下【公式1】、【公式2】、【公式3】计算。
【公式1】
【公式2】
【公式3】
这里LF(t)指LF值,HF(t)指HF值,P(f)指功率波谱函数,C(t)指心跳(心电图)的R-R间隔的自我相关函数,t指时间,f指周波数。如公式3所示,P(f)需要将整个时间段积分,但实际上只需要把观测时间段积分即可。
LF值和HF值的总和(LF+HF)是表示自主神经整体活跃状况的指标,被称为TP(Total Power),也称“自主神经活跃量”或“自主神经活跃总量”等。
ccvTP是在TP的基础上补充测定LF值和HF值的时间内的脉搏数(再具体一点的说就是R-R间隔间的平均脉搏数)从而计算出的结果。ccvTP与TP一样,也被称为“自主神经活跃量”或“自主神经活跃总量”。以下是它的计算公式。
【公式4】
这里RR指被测者心跳脉搏的R-R间隔(秒)。R-R间隔指心电图里QRS波到下一次QRS波的间隔时间,能够用60÷脉搏数(次/分)来计算。
心跳次数高的时候TP值相对较低,针对这一点,用ccvTP加以补充的话,那么无论被测者心跳快慢,所计算出的结果都能够相对确切的表示自主神经的活跃情况。(LF+HF)值会随年龄增长而减少这一点也是我们的发现之一,ccvTP也是同样的情况。
后文还会提到,检测装置10是通过HF值和HF值检测时间内的脉搏数来计算出ccvHF值。HF值和ccvHF值可被称为副交感神经相关指标、副交感神经活跃情况指标、副交感神经活跃量、副交感神经活跃指标及治愈度等。HF值和ccvHF值各自被称为副交感神经第1指标和副交感神经第2指标。同样,检测装置10是通过LF值和LF值检测时间内的脉搏数来计算出ccvLF值。LF值和ccvLF值可被称为交感神经相关指标、交感神经活跃情况指标、交感神经活跃指标和交感神经活跃量等。LF值和ccvLF值各自被称为交感神经第1指标和交感神经第2指标。
图2是ccvTP和年龄的关系示意图。曲线G1是同年龄被测者中ccvTP较高的前25%分界线。曲线G2是同年龄被测者中ccvTP的中间值。曲线G3是同年龄被测者中ccvTP较低的75%的分界线。如图2所示,随年龄增加ccvTP呈下降趋势。
<自主神经功能的快速测评>
现在测评被测者自主神经功能的时候,常用的一般方法是测得被测者连续120秒内的脉搏数据,再用MEM法对其周波数进行解析。
另外,可知用连续60秒内的脉搏数据分析出的TP值与用连续120秒内脉搏数据分析出的TP值的相关系数在0.7左右。因此同一个被测者只需用两次之后的连续60秒脉搏数来分析TP,就可把握该被测者自主神经的活跃状况。
使用MEM法计算LF,至少需要测量25秒间的心跳脉搏数。因为LF值属于0.04~0.15Hz的低周波数成分,最少需要25秒测量时间来保证得到1波长的数据。并且只测一次会导致1波长的数据精度不足,因此如前文所说120秒的测量时间是相对比较合适的。
正常医院或检查机构在进行自主神经功能测评的时候,对被测者实施120秒时长的测量是没有太大问题的。但问题在于如今自主神经功能测评不只是医院和检查机构,出租车司机、货车司机的每日常规体检等一些日常场合,它也是必测的项目。每天反复进行120秒或60秒的脉搏数测量对普通被测者来说也是有可能造成一定压力的心理负担,因此需要能够短时间精准测量的方法。
我们在讨论如何短时间测量自主神经功能这一问题的时候,考虑要不要更换MEM法,改用洛伦兹曲线原则进行计算,如此只需7秒左右的脉搏数据便可高精度测量计算出TP值。因此本检测装置10用洛伦兹曲线原则代替MEM法,从而实现短时间内对被测者的自主神经功能进行测评。
<副交感神经与交感神经的测评>
表示自主神经整体活跃情况的指标TP会随着年龄变化,因此在面对不同年龄的多个被测者时,需要保证有一套不受年龄变化影响的通用指标。为解决这个问题,我们认为可以用到TP的偏差值。已知自主神经的活跃主要分为交感神经活跃度LF(0.04-0.15Hz)和副交感神经活跃度HF(0.15-0.40Hz)两部分进行测评。而由于个部分会随年龄产生怎样的变化尚未可知,因此并没有人尝试过以HF的偏差值来检测被测者自主神经活跃情况。
图3是我们以年龄在18岁至73岁之间的264位被测者为被测者,将年龄分别与LF值和HF值的关系进行了示意。如图3所示,logLF与logHF和年龄均呈负相关,也因此对于不同年龄的被测者,不能仅仅通过LF值和HF值判断其健康状况。
同时,我们明确了随年龄不同的HF和LF的变化,也就是说根据这种变化,找出HF和LF的偏差值使其成为能够将年龄要素排除在外的健康指标,便能测评副交感神经和交感神经的活跃情况了。
使用MEM法计算HF值的时候,HF值属于0.15~0.40Hz的高周波数成分,也即只需6.6秒脉搏数据即可测算1波长的数据。与LF值的测算相比,HF值显然能够在更短时间内得出较高精度的结果。考虑到这一点,我们将90秒脉搏数据得出的HF值与10秒脉搏数据得出的HF值进行对比,发现它们高度相似。因此检测装置10能够用比以往更短的时间来测算HF,进而更短时间测评被测者副交感神经活跃情况。
然而本装置的发明目的是要实现自主神经功能的迅速测评,仅仅实现副交感神经活跃情况的测评是不够的。
<功能模块构成>
图4是检测装置10的功能模块构成示意图。检测装置10包含记录器100、数据采集器101、计算器102和输出装置103。记录器100的功能可通过检测装置10配备的记录装置12完成。数据采集器101、计算器102和输出装置103的功能则可由检测装置10的处理器11通过记录装置12所记录的程序来实施。相当于可读取电脑数据的非一次性记录媒体(Non-transitory computer readable medium)。这样的非一次性记录媒体并不罕见,USB和CD-ROM就属于这样的记录媒体。
记录器100能够记录下ccvTP随被测者年龄不同的分布数据100a、ccvHF随被测者年龄不同的分布数据100b以及ccvLF随被测者年龄不同的分布数据100c。
分布数据100a是根据不同年龄段的多个被测者ccvTP值统计出的结果。通过事先收集的多个被测者ccvTP值可统计测算出不同年龄被测者ccvTP平均值和标准偏差值,作为分布数据100a被记录器100所记录下来。
分布数据100b是根据不同年龄段的多个被测者ccvHF值统计出的结果。通过事先收集的多个被测者ccvHF值可统计测算出不同年龄被测者ccvHF平均值和标准偏差值,作为分布数据100b被记录器100所记录下来。
分布数据100c是根据不同年龄段的多个被测者ccvLF值统计出的结果。通过事先收集的多个被测者ccvLF值可统计测算出不同年龄被测者ccvLF平均值和标准偏差值,作为分布数据100c被记录器100所记录下来。
数据采集器101,会采集被测者的脉搏数据和年龄数据。
计算器102会使用洛伦兹曲线原则,根据被测者脉搏数据计算被测者ccvTP的偏差值。具体来说,计算器102基于洛伦兹曲线原则,根据脉搏数据计算出被测者TP。然后计算器102会根据被测者TP和被测者脉搏数据计算出被测者ccvTP,再根据分布数据100a和被测者ccvTP计算出被测者ccvTP的偏差值。
另外,计算器102会根据脉搏数据计算出HF值。然后根据HF值和脉搏数据计算出ccvHF值,再根据ccvHF值和分布数据100b计算出ccvHF的偏差值。
也即,计算器102会根据脉搏数据的周波数解析计算出HF值,然后根据HF值计算出ccvHF和ccvHF的偏差值。具体来说,计算器102会根据脉搏数据的周波数解析计算出HF值,然后根据HF值和脉搏数据计算出ccvHF值,再根据ccvHF值和分布数据100b计算出ccvHF的偏差值。
也就是说,计算器102会使用洛伦兹曲线原则,根据脉搏数据计算出HF值,然后根据HF值计算出ccvHF和ccvHF的偏差值。具体来说,计算器102会使用洛伦兹曲线原则,根据脉搏数据计算出HF值,然后根据HF值和脉搏数据计算出ccvHF值,再根据ccvHF值和分布数据100b计算出ccvHF的偏差值。
另外,计算器102会根据脉搏数据计算出LF值。计算器102会根据脉搏数据的周波数解析计算出LF值。然后根据LF值和脉搏数据计算出ccvLF值,再根据ccvLF值和分布数据100c计算出ccvLF的偏差值。
另外,计算器102还利用洛伦兹曲线原则,根据被测者脉搏数据计算被测者TP值,再算出被测者HF值和TP值的比例(即HF/TP)。还利用洛伦兹曲线原则,根据被测者脉搏数据计算被测者ccvTP值,再算出被测者ccvHF值和ccvTP值的比例(即ccvHF/ccvTP)。
输出装置103会将计算器102算出的被测者自主神经相关数据输出到屏幕或纸面上。比如,输出装置103可输出被测者的TP、ccvTP偏差值数据。另外,输出装置103可输出被测者的ccvHF偏差值数据。并且,输出装置103可同时输出被测者的ccvHF偏差值数据和ccvTP偏差值数据。输出装置103可输出被测者的ccvLF偏差值数据。输出装置103可同时输出被测者的ccvLF偏差值数据和ccvTP偏差值数据。输出装置103可同时输出被测者的ccvLF偏差值数据、ccvHF偏差值数据和ccvTP偏差值数据。输出装置103还可输出计算器102算出的被测者HF值和TP值的比例。输出装置103还可输出计算器102算出的被测者ccvHF值和ccvTP值的比例。
<处理顺序>
(自主神经功能的快速测评)
图5是检测装置高效实施自主神经功能测评的流程图。
阶段S11,数据采集器采集被测者年龄和脉搏数据。
阶段S12,计算器根据洛伦兹曲线原则计算被测者TP值。
图6是根据洛伦兹曲线原理计算被测者总功率的方法说明。计算器102将按照以下步骤计算被测者的TP值。
步骤1:计算器102,根据被测者脉搏数据,将脉搏数据的第n次R-R间隔(RRI(RRInterval))作为横轴(以下记为(RRIn)),第n+1次作为纵轴(以下记为(RRIn+1))。即计算器102以点(x,y)=(RRIn、RRIn+1)制作了图表。例如10秒的脉搏数据,第1次R-R间隔为1000ms,第2次为900ms,第3次为950ms,第4次为1050ms的话,计算器102把就在坐标轴上记录为点(1000,900)和点(950,1050)。
步骤2:计算器102将图表上所有的点以y=x轴和y=-x轴作投影。比如点(1000,900)以y=x轴投影,投射点会出现在(1000,900)往y=x轴垂直向下的位置(线A上的某一位置)。而当点(1000,900)以y=-x轴投影,投射点会出现在(1000,900)往y=-x轴垂直向下的位置(线B上的某一位置)。
步骤3:计算器102计算出原点(0,0)到各y=x轴投射点距离的平均值(LP.m)。然后计算出原点(0,0)到各y=x轴投射点距离的标准偏差σx和原点(0,0)到各y=-x轴投射点距离的标准偏差σ-x。
步骤4:计算器102根据以下的公式5计算出长轴为所定系数(D)×σx,短轴为所定系数(D)×σ-x的椭圆M面积(LP.s)。椭圆M的面积越小,R-R间隔的波动越小。所定系数(D)只要是正整数就可以,具体哪个数值并无关系。比如可以用2也可以用3。图6的例子是以所定系数(D)=2画的椭圆。
【公式5】
LP.S=π×Dσx×Dσ-x
“步骤5”:计算部102使用下面的公式来计算(推算)实验对象的TP。
【公式6】
推定TP=LP.S*a+LP.m*b+(年龄)*c+d
再者,公式6里的4个系数(a、b、c、d)可以是根据心跳数据的测量时间,使TP90成为从属变数,并使LP.S、LP.m以及年龄成为独立变数,通过多元回归分析来计算出的数据。也就是说,我们可以用这种方式来计算(推算)实验对象的TP,即存储部100根据心跳数据的测量时间,预先存储四个系数(a、b、c、d)的组合;计算部102再从存储部100获得心跳数据的测量时间所对应的系数组合,将其套用进公式6。比如说,心跳数据的测量时间为连续10秒,计算部102就可以将系数a=0.02968、b=0.69965、c=-12.966、d=110.826来计算。另外,这4个系数也可以是与心跳数据的测量时间无关的固定值。在这个情况下,四个系数也可以固定为a=0.02968、b=0.69965、c=-12.966、d=110.826。
关于上面说明的步骤1~步骤5,计算部102可以设置为将图6中位于椭圆形M外的数据看作杂音,将其去除后再次计算椭圆形M的面积(LP.S)。具体来说,计算部102通过实施步骤1~步骤4来计算椭圆形M的面积(LP.S),然后将图表中所标出的位于椭圆形M以外的点去除后,再次实施步骤1~步骤4,来计算去除杂音后的椭圆形M的面积(LP.S)。另外,计算部102可以将去除杂音后的椭圆形M的面积(LP.S)用于步骤5,来计算实验对象的总功率。换句话说,计算部102可以进行以下的处理方式。
1.将心跳数据的间隔中,连续的两个间隔分别设为x点和y点,来绘制x轴和y轴,制成图表。
2.将图表上的点投射到x=y轴上得到一个投影点,将投影点和原点(0,0)之间的距离的标准偏差,与规定系数(D)相乘,得到第1标准偏差并将其作为长轴;将图表上的点投射到x=-y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第2标准偏差并将其作为短轴,计算第1椭圆形。
3.关于图表上位于椭圆形M内部的点,将图表上的点投射到x=y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第3标准偏差并将其作为长轴;将图表上的点投射到x=-y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第4标准偏差并将其作为短轴,计算第2椭圆形。
4.将第2椭圆形的面积代入规定算式(公式6),来推算(计算)实验对象的TP。
回到图5,根据步骤S13,计算部102利用通过步骤S12所算出的实验对象的TP和实验对象的心跳数据,来计算实验对象的ccvTP。另外,计算部102利用实验对象的ccvTP和分布数据(ccvTP)100a,来计算实验对象的ccvTP的偏差值。比如说,计算部102能够通过以下的步骤来计算出实验对象的ccvTP的偏差值。
1.遵照公式4,用实验对象的心跳数来补正通过步骤S12算出的TP,从而算出实验对象的ccvTP
2.从分布数据(ccvTP)100a中,得到与实验对象年龄相应的ccvTP的平均值和标准偏差(σ)
3.运用“ccvTP的偏差值=10x(实验对象的ccvTP-与实验对象年龄相应的ccvTP平均值)÷与实验对象年龄相应的ccvTP的标准偏差(σ)+50”这一条公式,计算出实验对象的ccvTP偏差值
(自主神经功能的迅速评价的变形例子)
关于以上说明的自主神经功能的评价方法,可以通过运用对数变换后的LP.S(以下称为“logLP.S”)以及LP.m(以下称为“logLP.m”),来推算对数变换后的TP(以下称为“logTP”)。
具体来说,在以上说明的处理步骤的“步骤5”中,可以用以下的公式7来代替公式6,来推算logTP。另外,对数也可以是常用对数。
【公式7】
推定logTP=logLP.S*e+logLP.m*f+(年龄)*g+h
公式7中的4个系数(e、f、g、h)可以是根据心跳数据的测量时间,使logTP90成为从属变数,并使logLP.S、logLP.m以及年龄成为独立变数,通过多元回归分析来计算出的数据。也就是说,我们可以用这种方式来计算(推算)实验对象的TP,即存储部100根据心跳数据的测量时间,预先存储四个系数(e、f、g、h)的组合;计算部102再从存储部100获得心跳数据的测量时间所对应的系数组合,将其套用进公式7。比如说,心跳数据的测量时间为连续10秒,计算部102就可以将系数e=0.51333、f=1.42446、g=-0.0081、h=-3.3016来计算。另外,这4个系数也可以是与心跳数据的测量时间无关的固定值。在这个情况下,四个系数也可以固定为e=0.51333、f=1.42446、g=-0.0081、h=-3.3016。
另外,计算部102可以用推算出来的logTP来计算出推算TP(即对数变换前的TP),再将推算TP运用到步骤S13的处理步骤中。
再者,关于“(自主神经功能的迅速评价)”中说明的去除杂音的处理,也可以适用于该变形例。也就是说,计算部102可以进行以下处理。
1.将心跳数据的间隔中,连续的两个间隔分别设为x点和y点,来绘制x轴和y轴,制成图表。
2.将图表上的点投射到x=y轴上得到一个投影点,将投影点和原点(0,0)之间的距离的标准偏差,与规定系数(D)相乘,得到第1标准偏差并将其作为长轴;将图表上的点投射到x=-y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第2标准偏差并将其作为短轴,计算第1椭圆形。
3.关于图表上位于椭圆形M内部的点,将图表上的点投射到x=y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第3标准偏差并将其作为长轴;将图表上的点投射到x=-y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第4标准偏差并将其作为短轴,计算第2椭圆形。
4.将第2椭圆形的面积代入规定算式(公式7),来推算(计算)实验对象的logTP。
(关于TP的实验结果1)
在“关于TP的实验结果1”及后文将提到的“关于TP的实验结果2”的说明中,“TPxx”表示运用了连续xx秒测量的心跳数据,根据最大熵模型算出的TP。比如说“TP90”即为运用了连续90秒测量的心跳数据,通过最大熵模型计算出的TP。另外,“LP.Sxx”表示运用了连续xx秒测量的心跳数据,通过前文提到的洛伦兹散点图算出的LP.S(椭圆形的面积)。比如说“LP.S10”即为运用了连续10秒测量的心跳数据,通过洛伦兹散点图算出的LP.S。而“LP.mxx”表示运用了连续xx秒测量的心跳数据,通过前文提到的洛伦兹散点图算出的LP.m(与原点的平均距离)。比如说,“LP.m10”即为运用了连续10秒测量的心跳数据,通过洛伦兹散点图算出的LP.m。
图7展示了LP.S、LP.m、年龄及TP的多元回归分析结果。更具体来说,图7展示了以500人为实验对象,将TP90作为从属变数,LP.S、LP.m及年龄作为独立变数来进行多元回归分析所得出的结果。图7的秒数为多元回归分析中使用的心跳数据的测量时间。比如说,心跳数据的测量时间为15秒时,多重相关系数为0.81955,自由度调整后的决定系数为0.66967。这表示了,将与TP90和LP.S15和LP.m15和实验对象年龄相关的,对500名实验对象进行15秒测量所得到的心跳数据,进行多元回归分析得到的结果是多重相关系数为0.81955,自由度调整后的决定系数为0.66967。
根据图7显示,测量时间在3秒~11秒之间的心跳数据得来的多重相关系数为0.49以上,而测量时间在12秒以上时,多重相关系数超过了0.8。另外,测量时间超过8秒时,自由度调整后的决定系数超过0.5。因此,可以说测量时间超过8秒的话,公式6可以作为TP的推算模型使用。再者,如果测量时间在4秒以上,多重相关系数会超过0.6,因此测量时间在4秒~8秒之间的心跳数据,可以用作自主神经的简易测量。
图8展示了LP.S、LP.m、年龄及TP的相关关系。图9与图10展示了TP与LP.S的相关关系。图8~图10显示了对500名实验对象进行测量后的结果。图8~图10中,上部分的数值为相关系数(r值),下部分的数值为概率(p值)。根据图8可知,LP.S10及LP.m10与TP9相关。另外,实验对象的年龄与TP90为负相关。
另外,图9和图10显示,LP.S4~LP.S13与TP90的相关系数超过了0.49,而LP.S14~LP.S90与TP90的相关系数超过了0.8。也就是说,用洛伦兹散点图计算4秒以上的心跳数据而得到的椭圆形面积,与通过最大熵模型算出的TP90有相关关系。从结果来看,通过洛伦兹散点图运用公式6来推算TP的话,即使心跳数据的测量时间很短,也能够推算出实验对象的TP。
(关于TP的实验结果2)
图11展示了LP.S、LP.m、年龄及TP的多元回归分析结果。更具体来说,图11展示了以500人为实验对象,将TP90作为从属变数,LP.S、LP.m及年龄作为独立变数来进行多元回归分析所得出的结果。另外,图11中,LP.S、LP.m及TP使用了对数变换后的数值。
图11的秒数为多元回归分析中使用的心跳数据的测量时间。比如说,心跳数据的测量时间为15秒时,多重相关系数为0.83456,自由度调整后的决定系数为0.69466。这表示了,将与TP90和LP.S15和LP.m15和实验对象年龄相关的,对500名实验对象进行15秒测量所得到的心跳数据,进行多元回归分析得到的结果是多重相关系数为0.83456,自由度调整后的决定系数为0.69466。
根据图11显示,测量时间在3秒~8秒之间的心跳数据得来的多重相关系数为0.67以上,而测量时间在9秒以上时,多重相关系数超过了0.8。另外,测量时间超过4秒时,自由度调整后的决定系数超过0.5。因此,可以说测量时间超过4秒的话,公式7可以作为TP的推算模型使用。再者,如果测量时间在3秒以上,多重相关系数会超过0.6,因此测量时间在3秒~4秒之间的心跳数据,可以用作自主神经的简易测量。图12展示了LP.S、LP.m、年龄及TP的相关关系。图13与图14展示了TP与LP.S的相关关系。图12~图14显示了对500名实验对象进行测量后的结果。图12~图14中,上部分的数值为相关系数(r值),下部分的数值为概率(p值)。另外,图12~图14中,LP.S、LP.m及TP使用了对数变换后的数值。
根据图12可知,LP.S10及LP.m10与TP90相关。另外,实验对象的年龄与TP90为负相关。
另外,图13和图14显示,LP.S3~LP.S12与TP90的相关系数超过了0.49,而LP.S13~LP.S90与TP90的相关系数超过了0.8。也就是说,用洛伦兹散点图计算3秒以上的心跳数据而得到的椭圆形面积,与通过最大熵模型算出的TP90有相关关系。从结果来看,通过洛伦兹散点图运用公式7来推算TP的话,即使心跳数据的测量时间很短,也能够推算出实验对象的TP。
根据以上说明的实验结果1与2,采集部101可以通过对实验对象进行3秒~60秒之间的测量来获取实验对象的心跳数据。另外,计算部102可使用通过对实验对象进行3秒~60秒之间的测量所得到的心跳数据,通过洛伦兹散点图来计算(推算)实验对象的TP。这样一来,评价实验对象的自主神经功能会比以往用时更短。
再者,采集部101可以通过对实验对象进行3秒~25秒之间的测量来获取实验对象的心跳数据。另外,计算部102可使用通过对实验对象进行3秒~25秒之间的测量所得到的心跳数据,通过洛伦兹散点图来计算(推算)实验对象的TP。如前文提到的一样,如果使用最大熵模型的话,至少需要25秒的测量来算出LP。因此,由于仅使用25秒以下的时间即可测量实验对象,最终所花费于评价实验对象的自主神经功能的时间之短对以往来说是不可能。
另外,并不限定于上面所说的情况,采集部101可以通过对实验对象进行N秒~M秒之间的测量来获取实验对象的心跳数据。另外,计算部102可使用通过对实验对象进行N秒~M秒之间的测量所得到的心跳数据,通过洛伦兹散点图来计算(推算)实验对象的TP。N和M可以是4秒~60秒范围内的任意时间。比如说,N和M可以是3秒和15秒,也可以是8秒和60秒;当然也可以是8秒和15秒。可以是4秒和15秒,也可以是4秒和60秒,或是4秒和25秒。
(副交感神经的评价)
图15是评价装置10进行副交感神经的评价时的处理步骤的流程图。
步骤S21中,采集部101获得实验对象的年龄和心跳数据。
步骤S22中,计算部102根据最大熵模型计算实验对象的HF。
步骤S23中,计算部102运用在步骤S22中计算得出的实验对象的HF和心跳数据,来计算实验对象的ccvHF。另外,计算部102运用实验对象的ccvHF和分布数据(ccvHF)100b,来计算实验对象的ccvHF偏差值。比如说,计算部102能够通过以下的步骤计算出实验对象的ccvHF偏差值。
1.遵照公式8,用实验对象的心跳数(更具体来说是R-P的平均间隔)来补正步骤S22中算出的HF,以此计算实验对象的ccvHF
【公式8】
2.从分布数据(ccvHF)100b,获得与实验对象的年龄相应的ccvHF的平均值和标准偏差(σ)3.运用“ccvHF的偏差值=10x(实验对象的ccvHF-与实验对象年龄相应的ccvHF平均值)÷与实验对象年龄相应的ccvHF的标准偏差(σ)+50”这一条公式,计算出实验对象的ccvHF偏差值
在步骤S24中,计算部102用根据洛伦兹散点图计算实验对象的TP,以及通过步骤S22算出的实验对象的HF来计算比例(即HF/TP)。另外,计算部102也可以用根据洛伦兹散点图计算实验对象的ccvTP,以及通过步骤S23算出的实验对象的ccvHF来计算比例(即ccvHF/ccvTP)。步骤S24的处理步骤也可以省略。
(副交感神经的评价的变形例子)
在以上说明的副交感神经的评价方法中的步骤S22的处理步骤中,计算部102可以根据洛伦兹散点图计算实验对象的HF。
具体来说,在“(自主神经功能的迅速评价)”中说明的计算实验对象TP的处理步骤的“步骤5”中,可以用公式9来代替公式6,来推算logHF。另外,对数也可以是常用对数。
【公式9】
推定logHF=logLP.S*i+logLP.m*j+(年龄)*k+l
公式9中的4个系数(i、j、k、l)可以是根据心跳数据的测量时间,使logHF90成为从属变数,并使logLP.S、logLP.m以及年龄成为独立变数,通过多元回归分析来计算出的系数。也就是说,我们可以用这种方式来计算(推算)实验对象的TP,即存储部100根据心跳数据的测量时间,预先存储四个系数(i、j、k、l)的组合;计算部102再从存储部100获得心跳数据的测量时间所对应的系数组合,将其套用进公式9。比如说,心跳数据的测量时间为连续10秒,计算部102就可以将系数i=0.65660、j=1.81074、k=-0.0072、l=-5.5880来计算。另外,这4个系数也可以是与心跳数据的测量时间无关的固定值。在这个情况下,四个系数也可以固定为i=0.65660、j=1.81074、k=-0.0072、l=-5.5880。另外,计算部102可以用推算出来的logHF来计算出推算HF(即对数变换前的HF),再将推算HF运用到步骤S23的处理步骤中。再者,关于“(自主神经功能的迅速评价)”中说明的去除杂音的处理,也适用于根据洛伦兹散点图来推算实验对象的HF这一个方法。也就是说,计算部102可以进行以下处理。
1.将心跳数据的间隔中,连续的两个间隔分别设为x点和y点,来绘制x轴和y轴,制成图表。
2.将图表上的点投射到x=y轴上得到一个投影点,将投影点和原点(0,0)之间的距离的标准偏差,与规定系数(D)相乘,得到第1标准偏差并将其作为长轴;将图表上的点投射到x=-y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第2标准偏差并将其作为短轴,计算第1椭圆形。
3.关于图表上位于椭圆形M内部的点,将图表上的点投射到x=y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第3标准偏差并将其作为长轴;将图表上的点投射到x=-y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第4标准偏差并将其作为短轴,计算第2椭圆形。
4.将第2椭圆形的面积代入规定算式(公式9),来推算(计算)实验对象的logHF。
(交感神经的评价)
图16是评价装置10进行交感神经的评价时的处理步骤的流程图。
步骤S31中,采集部101获得实验对象的年龄和心跳数据。
步骤S32中,计算部102根据最大熵模型计算实验对象的LF。
步骤S33中,计算部102运用在步骤S32中计算得出的实验对象的LF和心跳数据,来计算实验对象的ccvLF。另外,计算部102运用实验对象的ccvLF和分布数据(ccvLF)100c,来计算实验对象的ccvLF偏差值。比如说,计算部102能够通过以下的步骤计算出实验对象的ccvLF偏差值。
1.遵照公式10,用实验对象的心跳数(更具体来说是R-R的平均间隔)来补正步骤S32中算出的LF,以此计算实验对象的ccvLF
【公式10】
2.从分布数据(ccvLF)100c,获得与实验对象的年龄相应的ccvLF的平均值和标准偏差(σ)
3.运用“ccvLF的偏差值=10x(实验对象的ccvLF-与实验对象年龄相应的ccvLF平均值)÷与实验对象年龄相应的ccvLF的标准偏差(σ)+50”这一条公式,计算出实验对象的ccvLF偏差值.
(关于HF的实验结果1)
在“关于HF的实验结果1”及后文将提到的“关于HF的实验结果2”的说明中,“HFxx”表示运用了连续xx秒测量的心跳数据,根据最大熵模型算出的HF。比如说“HF90”即为运用了连续90秒测量的心跳数据,通过最大熵模型计算出的HF。
对0.15~0.4Hz的频带进行分析,可知HF的1波长最低为1/0.15(≒6.66)秒。也就是说,只要至少有1/0.15秒的心跳数据,就能够测量HF。图17展示了对从1/0.15秒以上的心跳数据得到的HF与HF90进行相关分析所得到的结果,实验对象为500人。图17中,上部分的数值为相关系数(r值),下部分的数值为概率(p值)。根据图17可知,HF6.66~HF10与HF90的相关系数超过了0.5,而HF11~HF60与HF90的相关系数超过了0.8。也就是说,用最大熵模型计算6.66秒的心跳数据而得到的HF,与通过最大熵模型算出的HF90有相关关系。另外,即使用理论上最短的时间(即1/0.15秒)来测量心跳数据,由于其与HF90的相关系数在0.5以上,因此也能够作为副交感神经的简易测量来使用。
再者,也有文献记载,HF的定义并非0.15~0.4Hz的频带,而是0.2~0.5Hz的频带。因此,图18展示了根据这个定义,将对0.2~0.5Hz的频带进行分析而求出的HF,与对0.2~0.5Hz的频带进行分析而求出的HF90,进行相关分析所得到的结果。如图18所示,即使用理论上最短的时间的5秒来测量心跳数据,其与HF90的相关系数也在0.5以上。因此,改变HF的定义,即使用理论上最短的时间(1/0.2秒,即5秒)来测量心跳数据,由于其与HF90的相关系数在0.5以上,因此也能够作为副交感神经的简易测量来使用。
根据以上说明的实验结果1,采集部101可以通过对实验对象进行测量来获取实验对象的心跳数据,测量时间为基于对HF进行频率解析而算出的频率成分的定义的最短检测时间至60秒。另外,计算部102可使用基于对HF进行频率解析而算出的频率成分的定义的最短检测时间至60秒之间的测量所得到的心跳数据,通过最大熵模型来计算实验对象的HF。这样一来,评价实验对象的HF偏差值会比以往用时更短。
另外,HF的频率成分定义为0.15~0.4Hz时,上述的最短测量时间为1/0.15秒(≒6.66秒)。而HF的频率成分定义为0.2~0.5Hz时,上述的最短测量时间为1/0.2秒(=5秒)。
另外,并不限定于上面所说的情况,采集部101可以通过对实验对象进行P秒~Q秒之间的测量来获取实验对象的心跳数据。另外,计算部102可使用通过对实验对象进行P秒~Q秒之间的测量所得到的心跳数据,通过最大熵模型来计算实验对象的HF。P和Q可以设定为最短测量时间~60秒范围内的任意时间。比如说,P和Q可以是11秒和60秒,也可以是11秒和15秒.
(关于HF的实验结果2)
图19展示了LP.S、LP.m、年龄及HF的多元回归分析结果。更具体来说,图19展示了以500人为实验对象,将HF90作为从属变数,LP.S、LP.m及年龄作为独立变数来进行多元回归分析所得出的结果。另外,图19中,LP.S、LP.m及HF使用了对数变换后的数值。
图19的秒数为多元回归分析中使用的心跳数据的测量时间。比如说,心跳数据的测量时间为15秒时,多重相关系数为0.85625,自由度调整后的决定系数为0.73154。这表示了,将与HF90和LP.S15和LP.m15和实验对象年龄相关的,对500名实验对象进行15秒测量所得到的心跳数据,进行多元回归分析得到的结果是多重相关系数为0.85625,自由度调整后的决定系数为0.73154。
根据图19显示,测量时间在3秒~5秒之间的心跳数据得来的多重相关系数为0.71以上,而测量时间在6秒以上时,多重相关系数超过了0.8。另外,测量时间超过3秒时,自由度调整后的决定系数超过0.5。因此,可以说测量时间超过3秒的话,公式9可以作为HF的推算模型使用。
图20展示了LP.S、LP.m、年龄及HF的相关关系。图21与图22展示了TP与LP.S的相关关系。图20~图22显示了对500名实验对象进行测量后的结果。图20~图22中,上部分的数值为相关系数(r值),下部分的数值为概率(p值)。另外,图20~图22中,LP.S、LP.m及HF使用了对数变换后的数值。
根据图20可知,LP.S10及LP.m10与TP90相关。另外,实验对象的年龄与TP90为负相关。
另外,图21和图22显示,LP.S3~LP.S9与HF90的相关系数超过了0.6,而LP.S10~LP.S90与HF90的相关系数超过了0.8。也就是说,用洛伦兹散点图计算3秒以上的心跳数据而得到的椭圆形面积,与通过最大熵模型算出的HF90有相关关系。从结果来看,通过洛伦兹散点图运用公式9来推算HF的话,即使心跳数据的测量时间很短,也能够推算出实验对象的HF。
根据以上说明的实验结果2,采集部101可以通过对实验对象进行3秒~60秒之间的测量来获取实验对象的心跳数据。另外,计算部102可使用通过对实验对象进行3秒~60秒之间的测量所得到的心跳数据,通过洛伦兹散点图来计算(推算)实验对象的HF。这样一来,评价实验对象的HF偏差值会比以往用时更短。
另外,并不限定于上面所说的情况,采集部101可以通过对实验对象进行R秒~S秒之间的测量来获取实验对象的心跳数据。另外,计算部102可使用通过对实验对象进行R秒~S秒之间的测量所得到的心跳数据,通过洛伦兹散点图来计算(推算)实验对象的HF。R和S可以设定为3秒~60秒范围内的任意时间。比如说,R和S可以是6秒和60秒,也可以是6秒和15秒;可以是3秒和15秒,也可以是3秒和7秒。
(关于副交感神经的评价的补充)
图23展示了对TP中HF的比例与实验对象的疲劳度进行比较所得到的结果。图23的数据是以19名健康的正常人作为对象,对他们在精神负荷所带来的疲劳前后进行自主神经功能评价所得来的。纵轴“%HF”表示TP中HF的比例(即HF÷TP×100)。横轴表示实验对象的疲劳度,分数越高越疲劳。根据图23可知,TP中HF的比例越低,实验对象的疲劳度则越高。另外,由于TP是由LF+HF得来的,所以TP中HF的比例越低,就说明LF的比例越高。
因此,评价装置10可以运用根据洛伦兹散点图算出的实验对象的TP,来计算实验对象的HF的比例(即HF/TP),再输出表示计算得来的HF的比例的信息。如上文所述,与本实施形态相关的评价装置10通过使用洛伦兹散点图,能够用比以往更短的时间来测量TP。另外,也能够用比以往更短的时间来测量HF。因此,也能够用比以往更短的时间来测量实验对象的“HF对TP的比例”。所以,本实施形态能够在极短的时间内,在减轻实验对象的测量分担的情况下,判断疲劳和压力障碍的状态。
(输出例)
图24展示了输出实验对象的测量结果的画面的一个例子。如图24所示,输出部103能够同时显示实验对象的ccvTP偏差值与ccvHF的偏差值。图24的上部分对应ccvTP的偏差值,下部分对应ccvHF的偏差值。如此,实验对象就能够同时确认ccvTP和ccvHF。另外,本实施形态可以用以往难以实现的时间,如25秒内的时间的测量所得到的心跳数据,来计算ccvTP,因此能够使实验对象在不感受到压力的情况下,把握自身脑部的疲劳度及压力的大小。
另外,计算ccvHF的偏差值,也能够用比如7秒内的时间来测量实验对象,使得评价实验对象的副交感神经的自主神经功能会比以往用时更短。另外,加上通过频率解析的HF对副交感神经活动进行推测,根据从洛伦兹散点图的面积对副交感神经活动进行推测,也能够提高短时间评价的信赖度。
(总结)
根据以上说明的实施形态,以洛伦兹散点图取代最大熵模型,能够用短时间测量的心跳数据计算TP。如此,对自主神经功能的评价能够更加迅速地进行。其次,根据本实施形态,通过算出ccvHF的偏差值,能够将副交感神经的相关指标应用为各个年龄层的实验对象的共通指标。根据本实施形态,也能够通过算出ccvLF的偏差值,将交感神经的相关指标应用为各个年龄层的实验对象的共通指标。另外,通过使用以更短时间测量得来的心跳数据计算HF,能够使我们用比以往更短的时间快速把握副交感神经的状态。再者,本实施形态能够同时输出用短时间内测量得来的心跳数据算出的ccvTP偏差值和ccvHF偏差值,能够使我们用比以往更短的时间快速把握副交感神经的状态。本实施形态通过输出短时间内测量的HF在TP中的比例(HF/TP),能够使我们用比以往更短的时间快速把握副交感神经的状态(如TP中HF的比例是多是少等)。另外,加上通过频率解析的HF对副交感神经活动进行推测,根据从洛伦兹散点图的面积对副交感神经活动进行推测,也能够提高短时间评价的信赖度。并且,本实施形态能够同时显示根据短时间测量的心跳数据算出的ccvTP偏差值与ccvHF的偏差值,使得实验对象能够在不感受到压力的情况下,把握自身的自主神经,并能够与其他的实验对象作比较。
以上说明的实施形态,是为了让本发明更易理解,并为了不限定于解释本发明。实施形态中说明的流程图、序列、具备实施形态的各个要素以及其配置、材料、条件、形状和尺寸等,都不限定于例子中所示意的,可以适当地更换。另外,展现出不同的实施形态的同一构成可以部分置换或组合。HF值和LF值可以分别称为HF和LF。
以上说明的实施例旨在为理解本发明提供方便,并非用于限制对本发明的解释。在实施例中描述的流程图、序列、实施例中包含的各个要素及其布置、材料、条件、形状和尺寸等不限于示例,并且可以适当地改变。另外,可以部分地替换或组合不同实施例中所示的配置。
Claims (7)
1.一种自主神经检测装置,其特征在于,包括:
采集作为评价对象的实验对象的心跳数据的采集部,
和基于洛伦兹散点图,计算从所述的心跳数据来展示所述实验对象的自主神经整体功能的,作为指标的总功率的计算部。
2.如权利要求1所述的一种自主神经检测装置,其特征在于,所述采集部采集所述实验对象的年龄,
持有存储显示按实验对象年龄分布的自主神经活动量的分布数据的存储部,
所述计算部运用所述实验对象的总功率及所述实验对象的心跳数据,计算所述实验对象的自主神经活动量,并用所述分布数据和所述实验对象的自主神经活动量,计算所述实验对象的自主神经活动量的偏差值。
3.如权利要求1或2所述的一种信息处理装置,其特征在于,
所述计算部,
将所述心跳数据的间隔中,连续的两个间隔分别设为x点和y点,来绘制x轴和y轴,制成图表,
将所述图表上的点投射到x=y轴上得到一个投影点,将投影点和原点(0,0)之间的距离的标准偏差,与规定系数(D)相乘,得到第1标准偏差并将其作为长轴;将所述图表上的点投射到x=-y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第2标准偏差并将其作为短轴,计算第1椭圆形,
关于所述图表上位于所述第1椭圆形内部的点,将所述图表上的点投射到x=y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第3标准偏差并将其作为长轴;将所述图表上的点投射到x=-y轴上得到一个投影点,将投影点和原点之间的距离的标准偏差,与规定系数(D)相乘,得到第4标准偏差并将其作为短轴,计算第2椭圆形,
将所述第2椭圆形的面积代入规定算式,来计算所述实验对象的总功率。
4.如权利要求3所述的一种信息处理装置,其特征在于,
所述采集部通过对所述实验对象进行3~60秒的测量,获取所述实验对象的心跳数据。
5.如权利要求3所述的一种信息处理装置,其特征在于,
所述采集部通过对所述实验对象进行3~25秒的测量,获取所述实验对象的心跳数据。
6.一种自主神经评价方法,其特征在于,
采集作为评价对象的实验对象的心跳数据这一个步骤,
和基于洛伦兹散点图,计算从所述的心跳数据来展示所述实验对象的自主神经整体功能的,作为指标的总功率的步骤。
7.一种计算机执行系统,其特征在于,包括以下步骤:
步骤一,采集作为评价对象的实验对象的心跳数据和基于洛伦兹散点图,
步骤二,计算从所述的心跳数据来展示所述实验对象的自主神经整体功能的,作为指标的总功率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022060417 | 2022-03-31 | ||
JP2022-060417 | 2022-03-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115886727A true CN115886727A (zh) | 2023-04-04 |
Family
ID=86483217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211300044.7A Pending CN115886727A (zh) | 2022-03-31 | 2023-02-14 | 一种自主神经检测装置、自主神经检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115886727A (zh) |
-
2023
- 2023-02-14 CN CN202211300044.7A patent/CN115886727A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11172835B2 (en) | Method and system for monitoring sleep | |
JP4243605B2 (ja) | 自律神経検査装置 | |
Nakamura et al. | Multiscale analysis of intensive longitudinal biomedical signals and its clinical applications | |
JP5491749B2 (ja) | 疲労度の判定処理システム | |
JP5492247B2 (ja) | 心拍変動指標を用いた精神症状及び精神疾患発病リスク評価のための指標生成装置及びそれを用いた指標生成方法 | |
KR101535352B1 (ko) | 전두엽 뇌파를 이용한 우울증 심도 측정 방법 | |
JP6122884B2 (ja) | 作業覚醒度推定装置、方法およびプログラム | |
Dunn et al. | Speckleplethysmographic (SPG) estimation of heart rate variability during an orthostatic challenge | |
KR102482796B1 (ko) | 원격 광용적맥파 측정을 이용한 비접촉 심박 변이도 분석 장치 및 방법 | |
JP2016163698A (ja) | 精神状態判定方法及び精神状態判定プログラム | |
JP6550440B2 (ja) | 自律神経評価装置、自律神経評価方法、プログラム及び記録媒体 | |
Affanni et al. | Dual channel Electrodermal activity sensor for motion artifact removal in car drivers’ stress detection | |
CN111902085A (zh) | 疲劳判断装置、疲劳判断方法及程序 | |
JP2010184041A (ja) | 心拍ゆらぎの分析方法 | |
US11324411B2 (en) | Method and system for determining cardiovascular parameters | |
JP5455071B2 (ja) | 自律神経機能年齢の判定システム及び判定方法 | |
Li et al. | A novel dynamic cardiorespiratory coupling quantification method reveals the effect of aging on the autonomic nervous system | |
CN115886727A (zh) | 一种自主神经检测装置、自主神经检测方法及系统 | |
Gilfriche et al. | Highly sensitive index of cardiac autonomic control based on time-varying respiration derived from ECG | |
Chu et al. | One-minute finger pulsation measurement for diabetes rapid screening with 1.3% to 13% false-negative prediction rate | |
WO2017057022A1 (ja) | 生体状態推定装置、生体状態推定方法及びコンピュータプログラム | |
KR102053329B1 (ko) | 생체 및 운동 신호 기반의 스트레스 분석 방법 | |
KR101033035B1 (ko) | 맥파 분석장치의 건강 진단 제어방법 | |
Zhou et al. | Real-Time Epileptic Seizure Detection Based on Deep Learning | |
Salleh | Heart rate variability derived from wrist photoplethysmography sensor for mental stress assessment |
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 |