CN116392105A - 一种基于个性化特征拟合的呼吸训练模型构建方法及装置 - Google Patents

一种基于个性化特征拟合的呼吸训练模型构建方法及装置 Download PDF

Info

Publication number
CN116392105A
CN116392105A CN202310672602.0A CN202310672602A CN116392105A CN 116392105 A CN116392105 A CN 116392105A CN 202310672602 A CN202310672602 A CN 202310672602A CN 116392105 A CN116392105 A CN 116392105A
Authority
CN
China
Prior art keywords
control point
training model
point vector
respiratory
respiration
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
CN202310672602.0A
Other languages
English (en)
Other versions
CN116392105B (zh
Inventor
但果
孔维菲
吴仁翔
林展图
陈嘉乐
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202310672602.0A priority Critical patent/CN116392105B/zh
Publication of CN116392105A publication Critical patent/CN116392105A/zh
Application granted granted Critical
Publication of CN116392105B publication Critical patent/CN116392105B/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
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Signal Processing (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • Pulmonology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于个性化特征拟合的呼吸训练模型构建方法及装置，方法包括：获取呼吸信号，将呼吸信号进行预处理后计算得到基础呼吸训练模型，对该模型进行个性化特征提取，得到当前特征值；通过样条曲线近似拟合初始控制点向量，构建个性化特征误差函数；基于所述初始控制点向量和所述个性化特征误差函数进行个性化特征拟合，得到个性化特征拟合结果，进而得到目标呼吸训练模型；本发明通过个性化的基础呼吸训练模型，有助于加快个性化特征拟合的速度、提高拟合精度，同时减轻呼吸训练模型的个体差异性；通过个性化的特征提取及特征拟合，还能满足多种呼吸训练场景的需求，提升呼吸训练效果；可广泛应用于呼吸训练技术领域。

Description

一种基于个性化特征拟合的呼吸训练模型构建方法及装置
技术领域
本发明涉及呼吸训练技术领域，尤其是一种基于个性化特征拟合的呼吸训练模型构建方法及装置。
背景技术
呼吸是维持基本生命活动必需的生理过程之一。异常的呼吸往往表现在频率、节律、深度、声音、形态等方面。呼吸训练可以有效矫正异常的呼吸习惯，改善自身的呼吸状态。呼吸训练是受训者遵循特定的呼吸模式（如呼吸频率、呼吸深度、吸气/呼气比、呼吸/屏息比等）进行呼吸的一种训练方法。通过科学规律的呼吸训练，受训者可以学习多种呼吸技巧，如腹式呼吸、缩唇呼吸以及箱式呼吸等，纠正不良呼吸习惯，增强自身呼吸肌肌力以及改善肺功能。
目前，呼吸训练方式可分为医师人工引导、呼吸肌训练器和呼吸训练引导系统三种。由于呼吸训练引导系统具有训练便捷、训练方式多样、生物反馈训练效果显著等优点，逐渐受到研究者的关注。呼吸训练引导系统通常采用视听觉交互的方式，在可视化界面生成视觉或听觉信号，引导受训者在训练过程中有意识地按照特定的节律或模式调节自身呼吸，以达到呼吸训练的目的。呼吸训练的视觉引导是一种通过颜色、图标、曲线等视觉提示来帮助人们调节呼吸节奏的方法。构建呼吸训练模型以模拟呼吸过程引起的呼吸状态变化，并通过视觉反馈的形式在可视化界面上展示，是一种有效的呼吸视觉引导方式。现有的呼吸训练模型主要基于正余弦函数或其谐波的数学形式进行建模，包括升余弦波形(MRCW)、四段线性波形(FSLW)、余弦函数模型(CM)、绝对值余弦函数模型(ACM)、偶次幂余弦函数模型(EPCM)、基于谐波的随机模型(PACM)、瑞丽规则呼吸信号模型(R-RRSM)等。
然而，现有的呼吸训练模型存在以下问题
1、现有的呼吸训练模型只针对正常呼吸的信号进行仿真，对于常见的呼吸训练方法，如布泰科科（Buteyko）呼吸、箱式呼吸、主动呼吸循环（ACBT）等呼吸技术的研究较少，应用场景有限；
2、现有的呼吸训练模型难以针对吸呼比、深度、频率、屏息比等呼吸特征参数进行个性化调整，模型不够准确，导致受训者无法根据自身当前呼吸状态进行呼吸训练调整，呼吸训练的效果有限。
因此，构建一种多元的呼吸训练模型，增强呼吸训练的视听觉引导，可以帮助人们掌握正确的呼吸方式以及呼吸康复动作，增强人们的呼吸健康管理能力，在正常人群的日常呼吸训练以及呼吸疾病患者的呼吸康复中具有重要的应用价值。
发明内容
有鉴于此，本发明实施例提供一种准确且可多应用的基于个性化特征拟合的呼吸训练模型构建方法及装置。
一方面，本发明实施例提供了一种基于个性化特征拟合的呼吸训练模型构建方法，包括：
获取呼吸信号，将所述呼吸信号进行预处理后计算得到基础呼吸训练模型；
对所述基础呼吸训练模型进行特征提取，得到当前特征值；
通过样条曲线近似拟合所述基础呼吸训练模型的初始控制点向量，构建特征误差函数；
基于所述初始控制点向量和所述特征误差函数，对所述初始控制点向量进行特征拟合，得到特征拟合结果；
根据所述特征拟合结果，得到目标控制点向量，根据所述目标控制点向量得到目标呼吸训练模型。
可选地，所述获取呼吸信号，将所述呼吸信号进行预处理后计算得到基础呼吸训练模型，包括：
获取呼吸信号，对所述呼吸信号进行滑动平均和去噪的预处理操作，得到初始信号；
通过波峰波谷检测算法对所述初始信号进行分段，得到若干子信号；
对所述若干子信号进行压缩或拓展至平均长度，得到所述若干子信号的复合模型作为基础呼吸训练模型。
可选地，所述对所述基础呼吸训练模型进行特征提取，得到当前特征值，包括：
通过局部极值检测算法检测所述基础呼吸训练模型的波峰波谷位置；
根据所述波峰波谷的位置对所述基础呼吸训练模型进行分段，得到呼吸分段信号；
对所述呼吸分段信号进行处理，得到基础信号点；
基于所述基础信号点，计算得到当前特征值。
可选地，所述通过样条曲线近似拟合所述基础呼吸训练模型的初始控制点向量，构建特征误差函数，包括：
构建B样条曲线基函数；
通过高斯消元法求解所述B样条曲线基函数的构造方程，得到初始控制点向量；
给所述当前特征值赋予权重参数，计算目标特征值和所述当前特征值的误差，构建特征误差函数。
可选地，所述基于所述初始控制点向量和所述特征误差函数，对所述初始控制点向量进行特征拟合，得到特征拟合结果，包括：
基于所述初始控制点向量构建随机粒子群，基于所述特征误差函数构建粒子群算法的适应度；
基于所述适应度，计算得到个体最优解与全局最优解；
基于所述个体最优解与所述全局最优解，遍历优化所述初始控制点向量的速度与位置，得到特征拟合结果。
可选地，所述根据所述特征拟合结果，得到目标控制点向量，根据所述目标控制点向量得到目标呼吸训练模型，包括：
根据所述特征拟合结果，得到目标控制点向量；
将所述目标控制点向量和B样条曲线基函数计算得到呼吸训练曲线；
根据训练策略将所述呼吸训练曲线进行组合，得到目标呼吸训练模型。
可选地，所述遍历优化所述初始控制点向量的速度与位置这一步骤中，遍历优化所述初始控制点向量的速度与位置的计算公式为：
Figure SMS_1
其中，
Figure SMS_4
为所述初始控制点向量第k次迭代更新后的速度，/>
Figure SMS_7
为所述初始控制点向量第k-1次迭代更新后的速度,/>
Figure SMS_10
为惯性因子,/>
Figure SMS_3
为个体经验,/>
Figure SMS_6
第一随机因子，
Figure SMS_9
为第k-1次迭代后的个体最优解，/>
Figure SMS_12
为所述初始控制点向量第k-1次迭代更新后的位置，/>
Figure SMS_2
为社会经验,/>
Figure SMS_5
为第二随机因子，/>
Figure SMS_8
为第k-1次迭代后的全局最优解，/>
Figure SMS_11
为所述初始控制点向量第k次迭代更新后的位置。
另一方面，本发明实施例还提供了一种基于个性化特征拟合的呼吸训练模型构建装置，包括：
第一模块，用于获取呼吸信号，将所述呼吸信号进行预处理后计算得到基础呼吸训练模型；
第二模块，用于对所述基础呼吸训练模型进行特征提取，得到当前特征值；
第三模块，通过样条曲线近似拟合所述基础呼吸训练模型的初始控制点向量，构建特征误差函数；
第四模块，用于基于所述初始控制点向量和所述特征误差函数，对所述初始控制点向量进行特征拟合，得到特征拟合结果；
第五模块，用于根据所述特征拟合结果，得到目标控制点向量，根据所述目标控制点向量得到目标呼吸训练模型。
本发明实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如前述一种基于个性化特征拟合的呼吸训练模型构建方法。
本发明实施例还提供一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前述一种基于个性化特征拟合的呼吸训练模型构建方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明实施例至少包括以下有益成果：本发明实施例通过获取用户的呼吸信号，将所述呼吸信号进行预处理后计算得到呼吸训练基础模型，有助于加快个性化拟合的速度、提高拟合精度，同时减轻呼吸训练模型的个体差异性；本发明实施例通过对基础呼吸训练模型的检测计算和样条曲线近似拟合，最终得到目标呼吸训练模型，能满足多种呼吸训练场景的需求，有助于增强视听觉呼吸引导，提升呼吸训练效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于个性化特征拟合的呼吸训练模型构建方法的流程图；
图2为本发明实施例提供的呼吸分段信号的基础信号点的划分示意图；
图3为本发明实施例提供的预处理后的初始信号的示意图；
图4为本发明实施例提供的一个基础呼吸训练模型分段后的曲线示意图；
图5为本发明实施例提供的一分钟腹式呼吸的呼吸训练模型的曲线示意图；
图6为本发明实施例提供的一种基于个性化特征拟合的呼吸训练模型构建方法的实施系统示意图；
图7为本发明实施例提供的一种基于个性化特征拟合的呼吸训练模型构建装置的示意图；
图8是本发明实施例提供的步骤S100的流程图；
图9是本发明实施例提供的步骤S630的流程图；
图10是本发明实施例提供的步骤S640的流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
一方面，本发明实施例提供了一种基于个性化特征拟合的呼吸训练模型构建方法，参照图1，方法包括但不限于步骤S100-S500：
S100：获取呼吸信号，将所述呼吸信号进行预处理后计算得到基础呼吸训练模型。
具体地，采集用户一段正常呼吸运动信号，然后对正常呼吸运动信号进行预处理，再通过计算得到基础呼吸训练模型。参照图8为步骤S100的流程图，步骤S100包括但不限于步骤S110-S130：
S110：获取呼吸信号，对所述呼吸信号进行滑动平均和去噪的预处理操作，得到初始信号。
具体地，预处理包括对正常呼吸运动信号进行滑动平均和去噪处理。采集用户一段正常呼吸运动信号，然后对正常呼吸运动信号进行预处理，得到初始信号。例如，设定信号采集的采样率为
Figure SMS_13
，采集的呼吸信号记为/>
Figure SMS_14
，长度为/>
Figure SMS_15
，对呼吸信号/>
Figure SMS_16
进行滑动平均、去噪的预处理，得到初始信号。
本发明的一个实施例使用Vernier的Go Direct®呼吸带作为传感器，设定信号采集的采样率为
Figure SMS_17
，采集/>
Figure SMS_18
个数据点的正常呼吸运动信号（/>
Figure SMS_19
秒），采集过程中要求测试者尽可能保持静息状态，以保证信号质量，上述传感器可替换成毫米波雷达、深度摄像头或其它能采集呼吸位移运动信号的传感器。将采集的正常呼吸运动信号进行滑动平均，设置窗口大小为5，消除心跳信号的影响。
S120：通过波峰波谷检测算法对所述初始信号进行分段，得到若干子信号。
具体地，通过波峰波谷检测算法的分段流程首先将初始信号进行分段，得到若干子信号，每段子信号都包括一个波峰一个波谷，每段子信号均为一个完整的呼吸过程。
本发明的一个实施例采用波峰波谷检测算法的分段流程获取呼吸信号S的波峰波谷位置，定义任意相邻两个波谷点之间的数据点为一个完整的呼吸过程，记作单个子信号，将呼吸信号
Figure SMS_20
分段成n个子信号/>
Figure SMS_21
,长度分别为/>
Figure SMS_22
。具体地，本发明的一个实施例的波峰波谷检测的窗口大小设为3，参照图3，预处理后的初始信号可划分为17个子信号（n=17）。
S130：对所述若干子信号进行压缩或拓展至平均长度，得到所述若干子信号的复合模型作为基础呼吸训练模型。
具体地，首先计算子信号的平均长度，然后对子信号进行插值拟合，将信号长度比平均长度长的子信号进行压缩至平均长度，将信号长度比平均长度短的子信号进行拓展至平均长度，使所有子信号长度一致，得到新的子信号的复合模型作为基础呼吸训练模型。例如，计算子信号的平均长度
Figure SMS_23
，将子信号压缩或拓展至平均长度/>
Figure SMS_24
，得到
Figure SMS_25
，最后，计算若干子信号的复合模型/>
Figure SMS_26
，作为基础呼吸训练模型。
S200：对所述基础呼吸训练模型进行特征提取，得到当前特征值。
具体地，步骤S200包括但不限于S210-S240：
S210：通过局部极值检测算法检测所述基础呼吸训练模型的波峰波谷位置。
具体地，局部极值检测算法用于检测极大值和极小值，在本发明中用于检测基础呼吸训练模型的波峰波谷位置。例如，首先初始化极值检测窗口大小
Figure SMS_27
与屏息检测阈值/>
Figure SMS_28
，使用局部极值检测算法检测基础呼吸训练基础/>
Figure SMS_29
的波峰波谷位置。本发明的一个实施例首先初始化极值检测窗口大小w=3与屏息检测阈值tH=0.05(mm)，计算基础模型/>
Figure SMS_30
在极值检测窗口内的局部极值，分别将局部极大值记为波峰，将局部极小值记为波谷，滑动极值检测窗口遍历基础呼吸训练模型/>
Figure SMS_31
获得所有的波峰波谷。
S220：根据所述波峰波谷的位置对所述基础呼吸训练模型进行分段，得到呼吸分段信号。
具体地，根据波峰波谷的位置将信号进行分段，得到呼吸分段信号。例如，定义任意相邻的波峰和波谷为一个子信号，根据波峰波谷的位置将信号分段，得到m个呼吸分段信号
Figure SMS_32
。
S230：对所述呼吸分段信号进行处理，得到基础信号点。
具体地，对呼吸分段信号进行计算得到每个信号的信号幅度，信号幅度为波峰减去波谷的差值，若信号幅度小于预设的屏息检测阈值，则说明呼吸的幅度很小，可以认为存在屏息，则将该段标记为屏息段，遍历呼吸分段信号，检测连续的屏息段，将连续的屏息段进行合并，再将屏息段中的波峰波谷点进行剔除，得到呼吸信号分段结果：吸气段、呼气段、吸气末屏息段、呼气末屏息段，基于分段结果，提取出呼吸分段信号的基础信号点。例如，计算出呼吸分段信号的信号幅度
Figure SMS_33
，当信号幅度/>
Figure SMS_34
小于预设的屏息检测阈值tH时，标记该呼吸分段信号/>
Figure SMS_35
为屏息段/>
Figure SMS_36
，遍历/>
Figure SMS_37
，检测连续的屏息段，将连续的屏息段进行合并，再将屏息段中的波峰波谷点进行剔除，得到呼吸信号分段结果：吸气段、呼气段、吸气末屏息段、呼气末屏息段，根据四种分段结果，参照图4为本发明一个实施例提供的基础呼吸训练模型分段后的曲线示意图，包括三个分段结果，分别为一个吸气段、一个呼气段以及一个呼气末屏息段。参照图2，为呼吸分段信号的基础信号点的划分示意图，提取出呼吸分段信号的基础信号点/>
Figure SMS_38
。
S240：基于所述基础信号点，计算得到当前特征值。
具体地，基于基础信号点首先计算出基础特征，基础特征包括呼气时间、吸气时间、吸气末屏息时间和呼气末屏息时间，再基于基础特征通过计算得到当前特征值。首先计算基础特征，呼气时间EX的计算公式为EX=e-c，吸气时间IN的计算公式为IN=l-EX，吸气末屏息时间H1的计算公式为H1=c-b，呼气末屏息时间H2的计算公式为H2=f-e。然后计算当前特征值，当前特征值包括七种个性化呼吸特征值以及四个个性化辅助特征。七种个性化呼吸特征值分别为：呼吸频率f的计算公式为
Figure SMS_47
，fs为采样率；呼吸深度A的计算公式为/>
Figure SMS_40
；吸呼比IER的计算公式为IER=IN/EX；屏息时间比holdR的计算公式为/>
Figure SMS_43
；吸气末时间比INE的计算公式为/>
Figure SMS_49
；呼气末时间比EXE的计算公式为/>
Figure SMS_53
；呼吸序列特征/>
Figure SMS_51
，其中/>
Figure SMS_55
为呼吸序列编码函数。例如，根据上述呼吸分段信号结果在呼吸信号出现的次序进行编码，将吸气段记为/>
Figure SMS_48
，呼气段记为/>
Figure SMS_52
，吸气末屏息段记为/>
Figure SMS_39
，呼气末屏息段记为/>
Figure SMS_44
，从而得到呼吸序列特征。为提高个性化特征的拟合效果与拟合速度，添加四个个性化辅助特征，分别为：吸气末与呼气末屏息段的差值dholdR，计算公式为dholdR=H2-H1；首尾数据点的一阶连续性/>
Figure SMS_41
，计算/>
Figure SMS_46
，其中
Figure SMS_50
为上述基础呼吸训练模型/>
Figure SMS_54
的数据点，tH2为一阶连续性检测阈值，本发明的一个实施例根据经验将tH2设为0.01，若val≥0，则/>
Figure SMS_42
，若val＜0，则/>
Figure SMS_45
；吸气段数量nP呼气段数量nV,根据步骤S230的呼吸信号分段结果统计吸气段和呼气段数量。
S300：通过样条曲线近似拟合所述基础呼吸训练模型的初始控制点向量，构建特征误差函数。
具体地，所述样条曲线为ClampedB样条曲线。步骤S300包括但不限于步骤S310-S330：
S310：构建B样条曲线基函数。
具体地，用Clamped B样条曲线进行拟合，首先，将基础呼吸训练模型
Figure SMS_58
的数据点
Figure SMS_60
进行参数化，使用均匀间隔法得到各数据点的参数值/>
Figure SMS_63
，选取不同的阶次k控制点cp的数量h+1对基础模型/>
Figure SMS_57
进行多次拟合，综合考虑拟合精度、阶次及控制点三者关系，最终确定初始值阶次k=3控制点cp的数量h+1=13。定义节点向量u的长度为h+k+1=16，根据固支条件固定前k+1和后k+1个节点向量的值，即
Figure SMS_59
,/>
Figure SMS_61
，其余节点向量等间隔取值，最终得到节点向量/>
Figure SMS_62
，其中ui为第i+1个数据点对应的节点向量值。根据Cox-de Boor递推公式计算B样条曲线基函数/>
Figure SMS_56
：
Figure SMS_64
其中，
Figure SMS_65
为k=0时的基函数，ui为第i+1个数据点对应的节点向量值，/>
Figure SMS_66
为基函数。
S320：通过高斯消元法求解所述B样条曲线基函数的构造方程，得到初始控制点向量。
具体地，将基础呼吸训练模型
Figure SMS_67
的首尾数据点作为首尾控制点，即
Figure SMS_68
，B样条曲线基函数的构造方程为/>
Figure SMS_69
，其中/>
Figure SMS_70
基础呼吸训练模型，通过高斯消元法求解，得到初始控制点向量/>
Figure SMS_71
。
S330：给所述当前特征值赋予权重参数，计算目标特征值和所述当前特征值的误差，构建特征误差函数。
具体地，定义上述的个性化呼吸特征值
Figure SMS_72
以及辅助特征/>
Figure SMS_73
为不同的拟合目标。例如，定义呼吸频率/>
Figure SMS_74
，呼吸深度A，吸呼比IER，屏息时间比holdR，吸气末时间比INE，呼气末时间比EXE为近似拟合目标；定义呼吸序列特征resSeq，吸气末与呼气末屏息段的差值dholdR，呼吸信号首尾数据点的一阶连续性/>
Figure SMS_75
，吸气段与呼气段的数量nP、nV为精确拟合目标。近似拟合目标在特征拟合过程中不严格要求特征当前值与目标值相等，只需近似相等；而精确拟合目标在特征拟合过程中要求特征当前值与目标值相等。
对上述不同的拟合目标赋予相应权重，例如，近似拟合目标的权重为1，精确拟合目标的权重为100，计算每个拟合目标的当前个性化呼吸特征值与目标个性化呼吸特征值的差值，对每个差值乘以相应权重、求和并取均值得到特征误差函数。
S400：基于所述初始控制点向量和所述特征误差函数，对所述初始控制点向量进行特征拟合，得到特征拟合结果。
具体地，步骤S400包括但不限于步骤S410-S430：
S410：基于所述初始控制点向量构建随机粒子群，基于所述特征误差函数构建粒子群算法的适应度。
具体地，由初始控制点向量构建粒子群，本发明的一个实施例给定粒子群空间上限UB=10和下限LB=-10，设置随机粒子数N=500，得到粒子群
Figure SMS_76
，其中每个粒子为一组初始控制点向量的坐标，取值范围为[P+LB,P+UB]。根据预设值范围初始化粒子群算法参数，具体地，设置迭代次数K=100，每个粒子的初始速度vi为区间[-2,2]的随机数，惯性因子/>
Figure SMS_77
，一般取个体经验/>
Figure SMS_78
社会经验/>
Figure SMS_79
，随机因子/>
Figure SMS_80
为区间[-1,1]的随机数。根据训练策略设置目标特征值，构建适应度/>
Figure SMS_81
其中
Figure SMS_82
为上述的特征误差函数。
S420：基于所述适应度，计算得到个体最优解与全局最优解。
具体地，计算个体最优解的计算公式为：
Figure SMS_83
其中，
Figure SMS_84
为迭代k次的个体最优解，/>
Figure SMS_85
为/>
Figure SMS_86
迭代k次的适应度，
Figure SMS_87
为迭代k-1次的个体最优解，/>
Figure SMS_88
为/>
Figure SMS_89
迭代k次的适应度，min{}为取最小值。
具体地，计算全局最优解的计算公式为：
Figure SMS_90
其中，
Figure SMS_91
为迭代k次的全局最优解，/>
Figure SMS_92
为/>
Figure SMS_93
迭代k次的适应度，
Figure SMS_94
为迭代k-1次的全局最优解，/>
Figure SMS_95
为/>
Figure SMS_96
迭代k次的适应度。
S430：基于所述个体最优解与所述全局最优解，遍历优化所述初始控制点向量的速度与位置，得到特征拟合结果。
具体地，根据
Figure SMS_97
和/>
Figure SMS_98
的值迭代更新控制点向量的速度/>
Figure SMS_99
与位置/>
Figure SMS_100
，直至满足终止条件，所述终止条件包括达到预设的最大迭代次数或达到最小特征误差函数，此时得到的控制点向量的速度/>
Figure SMS_101
与位置/>
Figure SMS_102
即为特征拟合结果。遍历优化所述初始控制点向量的速度与位置的计算公式为：
Figure SMS_103
其中，
Figure SMS_104
为所述初始控制点向量第k次迭代更新后的速度,/>
Figure SMS_108
为所述初始控制点向量第k-1次迭代更新后的速度，/>
Figure SMS_111
为惯性因子，/>
Figure SMS_106
为个体经验，/>
Figure SMS_109
为第一随机因子，/>
Figure SMS_112
为第k-1次迭代后的个体最优解，/>
Figure SMS_114
为所述初始控制点向量第k-1次迭代更新后的位置，/>
Figure SMS_105
为社会经验，/>
Figure SMS_107
为第二随机因子，/>
Figure SMS_110
为第k-1次迭代后的全局最优解，/>
Figure SMS_113
为所述初始控制点向量第k次迭代更新后的位置。
S500：根据所述特征拟合结果，得到目标控制点向量，根据所述目标控制点向量得到目标呼吸训练模型。
具体地，步骤S500包括但不限于步骤S510-S530：
S510：根据所述特征拟合结果，得到目标控制点向量。
具体地，根据所述特征拟合结果，得到目标控制点向量
Figure SMS_115
。在步骤S400中，例子群算法在遍历控制点向量的过程中，以特征误差函数作为适应度，当遍历过程结束时，表示已找到误差函数的最优解，此时的控制点向量即为目标控制点向量。
S520：将所述目标控制点向量和B样条曲线基函数计算得到呼吸训练曲线。
具体地，计算得到呼吸训练曲线的计算公式为：
Figure SMS_116
其中，
Figure SMS_117
为呼吸训练曲线，/>
Figure SMS_118
为B样条曲线基函数，/>
Figure SMS_119
为目标控制点向量中的值。
S530：根据训练策略将所述呼吸训练曲线进行组合，得到目标呼吸训练模型。
具体地，根据训练时间及训练方法等训练策略参数将多元呼吸训练信号曲线进行组合，得到目标呼吸训练模型。基于所述目标呼吸训练模型，本发明可完成腹式呼吸、缩唇呼吸、箱式呼吸、布泰科呼吸、主动呼吸循环技术等呼吸训练，例如，若呼吸训练策略要求使用腹式呼吸完成一分钟的呼吸训练，则将腹式呼吸训练曲线进行周期延拓至指定时长，以此构建腹式呼吸训练模型，图5为1分钟腹式呼吸训练模型的曲线示意图。
本发明的一种基于个性化特征拟合的呼吸训练模型构建方法还包括将目标呼吸训练模型以视听觉的形式在可视化界面展示，并指导用户完成呼吸训练动作。参照图6为一种基于个性化特征拟合的呼吸训练模型构建方法的实施系统示意图，可穿戴设备610用于采集用户的正常呼吸信号，与服务器620相连接，服务器用于构建呼吸训练模型，并且以视听觉的形式在可视化界面展示，并指导用户完成呼吸训练动作。
下面举例说明本发明的一种基于个性化特征拟合的呼吸训练模型构建方法的应用，包括步骤S610-S640：
S610：首先获取用户的正常呼吸信号，将呼吸信号经过预处理后得到初始信号，参照图2为预处理后的初始信号的示意图，再进行分段，如图3为将预处理后的呼吸信号根据波峰波谷分为17段，分段后通过插值技术对子信号进行压缩或者拓展至平均长度，然后得到基础呼吸训练模型；
S620：然后初始化参数，输入基础呼吸训练模型，然后通过局部极值检测算法检测所述基础呼吸训练模型的波峰波谷位置，根据位置进行分段，若波峰波谷的差值小于阈值，则说明存在连续屏息，将连续屏息合并，波峰波谷的重复点剔除，获得呼吸信号分段结果，再计算得到当前个性化呼吸特征值；
S630：参照图9为步骤S630的流程图，先初始化B样条曲线参数，近似拟合所述基础呼吸训练模型，获得初始控制点向量，再初始化粒子群算法参数，构建特征误差函数作为适应度，计算出局部最优解和全局最优解，遍历优化初始控制点向量的速度和位置，判断是否满足终止条件，若不满足，则继续计算局部最优解和全局最优解遍历优化初始控制点向量的速度和位置，再判断是否满足终止条件，直至满足终止条件，得到特征拟合结果；
S640：参照图10为步骤S640的流程图，根据特征拟合结果计算得到目标控制点向量，基于目标控制点向量构建呼吸训练曲线，再根据训练策略搭建多元呼吸训练模型，最后将目标呼吸训练模型以视听觉的形式在可视化界面展示，并指导用户完成呼吸训练动作。
综上所述，本发明实施例的一种基于个性化特征拟合的呼吸训练模型构建方法具有以下优点：
1、本发明实施例通过获取用户的呼吸信号，将所述呼吸信号进行预处理后计算得到基础呼吸训练模型，有助于加快个性化特征拟合的速度、提高拟合精度，同时减轻呼吸训练模型的个体差异性；
2、本发明实施例通过个性化的特征提取算法和样条曲线近似拟合，最终得到目标呼吸训练模型，能满足多种呼吸训练场景的需求，有助于增强视听觉呼吸引导，提升呼吸训练效果；
3、本发明实施例提出个性化的特征值，能表征多种呼吸训练方法的主要特点，减少呼吸训练模型构建的复杂度，同时有助于理解不同呼吸训练方法的生理意义。
另一方面，参照图7，本发明实施例还提供了一种基于个性化特征拟合的呼吸训练模型构建装置，包括：
第一模块701，用于获取呼吸信号，将所述呼吸信号进行预处理后计算得到基础呼吸训练模型；
第二模块702，用于对所述基础呼吸训练模型进行特征提取，得到当前特征值；
第三模块703，用于通过样条曲线近似拟合所述基础呼吸训练模型的初始控制点向量，构建特征误差函数；
第四模块704，用于基于所述初始控制点向量和所述特征误差函数，对所述初始控制点向量进行特征拟合，得到特征拟合结果；
第五模块705，用于根据所述特征拟合结果，得到目标控制点向量，根据所述目标控制点向量得到目标呼吸训练模型。
本发明实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如前述一种基于个性化特征拟合的呼吸训练模型构建方法。
本发明实施例还提供一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前述一种基于个性化特征拟合的呼吸训练模型构建方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：U盘、移动硬盘、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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于个性化特征拟合的呼吸训练模型构建方法，其特征在于，包括：
获取呼吸信号，将所述呼吸信号进行预处理后计算得到基础呼吸训练模型；
对所述基础呼吸训练模型进行特征提取，得到当前特征值；
通过样条曲线近似拟合所述基础呼吸训练模型的初始控制点向量，构建特征误差函数；
基于所述初始控制点向量和所述特征误差函数，对所述初始控制点向量进行特征拟合，得到特征拟合结果；
根据所述特征拟合结果，得到目标控制点向量，根据所述目标控制点向量得到目标呼吸训练模型。
2.根据权利要求1所述的一种基于个性化特征拟合的呼吸训练模型构建方法，其特征在于，所述获取呼吸信号，将所述呼吸信号进行预处理后计算得到基础呼吸训练模型，包括：
获取呼吸信号，对所述呼吸信号进行滑动平均和去噪的预处理操作，得到初始信号；
通过波峰波谷检测算法对所述初始信号进行分段，得到若干子信号；
对所述若干子信号进行压缩或拓展至平均长度，得到所述若干子信号的复合模型作为基础呼吸训练模型。
3.根据权利要求1所述的一种基于个性化特征拟合的呼吸训练模型构建方法，其特征在于，所述对所述基础呼吸训练模型进行特征提取，得到当前特征值，包括：
通过局部极值检测算法检测所述基础呼吸训练模型的波峰波谷位置；
根据所述波峰波谷的位置对所述基础呼吸训练模型进行分段，得到呼吸分段信号；
对所述呼吸分段信号进行处理，得到基础信号点；
基于所述基础信号点，计算得到当前特征值。
4.根据权利要求1所述的一种基于个性化特征拟合的呼吸训练模型构建方法，其特征在于，所述通过样条曲线近似拟合所述基础呼吸训练模型的初始控制点向量，构建特征误差函数，包括：
构建B样条曲线基函数；
通过高斯消元法求解所述B样条曲线基函数的构造方程，得到初始控制点向量；
给所述当前特征值赋予权重参数，计算目标特征值和所述当前特征值的误差，构建特征误差函数。
5.根据权利要求1所述的一种基于个性化特征拟合的呼吸训练模型构建方法，其特征在于，所述基于所述初始控制点向量和所述特征误差函数，对所述初始控制点向量进行特征拟合，得到特征拟合结果，包括：
基于所述初始控制点向量构建随机粒子群，基于所述特征误差函数构建粒子群算法的适应度；
基于所述适应度，计算得到个体最优解与全局最优解；
基于所述个体最优解与所述全局最优解，遍历优化所述初始控制点向量的速度与位置，得到特征拟合结果。
6.根据权利要求1所述的一种基于个性化特征拟合的呼吸训练模型构建方法，其特征在于，所述根据所述特征拟合结果，得到目标控制点向量，根据所述目标控制点向量得到目标呼吸训练模型，包括：
根据所述特征拟合结果，得到目标控制点向量；
将所述目标控制点向量和B样条曲线基函数计算得到呼吸训练曲线；
根据训练策略将所述呼吸训练曲线进行组合，得到目标呼吸训练模型。
7.根据权利要求5所述的一种基于个性化特征拟合的呼吸训练模型构建方法，其特征在于，所述遍历优化所述初始控制点向量的速度与位置这一步骤中，遍历优化所述初始控制点向量的速度与位置的计算公式为：
Figure QLYQS_1
其中，
Figure QLYQS_3
为所述初始控制点向量第k次迭代更新后的速度，/>
Figure QLYQS_7
为所述初始控制点向量第k-1次迭代更新后的速度，/>
Figure QLYQS_10
为惯性因子，/>
Figure QLYQS_4
为个体经验,/>
Figure QLYQS_6
为第一随机因子，
Figure QLYQS_9
为第k-1次迭代后的个体最优解，/>
Figure QLYQS_12
为所述初始控制点向量第k-1次迭代更新后的位置， />
Figure QLYQS_2
为社会经验, />
Figure QLYQS_5
为第二随机因子，/>
Figure QLYQS_8
为第k-1次迭代后的全局最优解,
Figure QLYQS_11
为所述初始控制点向量第k次迭代更新后的位置。
8.一种基于个性化特征拟合的呼吸训练模型构建装置，其特征在于，包括：
第一模块，用于获取呼吸信号，将所述呼吸信号进行预处理后计算得到基础呼吸训练模型；
第二模块，用于对所述基础呼吸训练模型进行特征提取，得到当前特征值；
第三模块，通过样条曲线近似拟合所述基础呼吸训练模型的初始控制点向量，构建特征误差函数；
第四模块，用于基于所述初始控制点向量和所述特征误差函数，对所述初始控制点向量进行特征拟合，得到特征拟合结果；
第五模块，用于根据所述特征拟合结果，得到目标控制点向量，根据所述目标控制点向量得到目标呼吸训练模型。
9.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
CN202310672602.0A 2023-06-08 2023-06-08 一种基于个性化特征拟合的呼吸训练模型构建方法及装置 Active CN116392105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310672602.0A CN116392105B (zh) 2023-06-08 2023-06-08 一种基于个性化特征拟合的呼吸训练模型构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310672602.0A CN116392105B (zh) 2023-06-08 2023-06-08 一种基于个性化特征拟合的呼吸训练模型构建方法及装置

Publications (2)

Publication Number Publication Date
CN116392105A true CN116392105A (zh) 2023-07-07
CN116392105B CN116392105B (zh) 2023-08-25

Family

ID=87008009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310672602.0A Active CN116392105B (zh) 2023-06-08 2023-06-08 一种基于个性化特征拟合的呼吸训练模型构建方法及装置

Country Status (1)

Country Link
CN (1) CN116392105B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118133057A (zh) * 2024-05-07 2024-06-04 广州中医药大学深圳医院(福田) 一种呼吸可视化教学方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009074872A2 (en) * 2007-07-09 2009-06-18 Superdimension, Ltd. Patent breathing modeling
US20120123232A1 (en) * 2008-12-16 2012-05-17 Kayvan Najarian Method and apparatus for determining heart rate variability using wavelet transformation
US20160320231A1 (en) * 2015-04-28 2016-11-03 Verily Life Sciences Llc Integrated Wearable Noise Dosimeter
US20170071521A1 (en) * 2015-09-14 2017-03-16 Xerox Corporation Representing a subject's state of mind using a psychophysiological model
US9883820B2 (en) * 2014-03-31 2018-02-06 Sharp Laboratories Of America, Inc. Method and engine for defining respiration events in body sensor signals
CN110262250A (zh) * 2019-07-08 2019-09-20 济南大学 一种基于粒子群算法的b样条曲线拟合方法及系统
CN113053113A (zh) * 2021-03-11 2021-06-29 湖南交通职业技术学院 一种基于PSO-Welsch-Ridge的异常检测方法及装置
CN113397524A (zh) * 2021-06-16 2021-09-17 深圳大学 一种呼吸检测方法、装置、设备和存储介质
CN115480519A (zh) * 2022-11-04 2022-12-16 济南邦德激光股份有限公司 基于正交三角分解的b样条曲线拟合方法、设备和介质
JP2022553390A (ja) * 2019-10-25 2022-12-22 ウーシー バイオロジクス アイルランド リミテッド 新規抗ｃｄ４７抗体及びその使用
US20230120926A1 (en) * 2017-06-20 2023-04-20 Coreform Llc U-splines: splines over unstructured meshes

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009074872A2 (en) * 2007-07-09 2009-06-18 Superdimension, Ltd. Patent breathing modeling
US20120123232A1 (en) * 2008-12-16 2012-05-17 Kayvan Najarian Method and apparatus for determining heart rate variability using wavelet transformation
US9883820B2 (en) * 2014-03-31 2018-02-06 Sharp Laboratories Of America, Inc. Method and engine for defining respiration events in body sensor signals
US20160320231A1 (en) * 2015-04-28 2016-11-03 Verily Life Sciences Llc Integrated Wearable Noise Dosimeter
US20170071521A1 (en) * 2015-09-14 2017-03-16 Xerox Corporation Representing a subject's state of mind using a psychophysiological model
US20230120926A1 (en) * 2017-06-20 2023-04-20 Coreform Llc U-splines: splines over unstructured meshes
CN110262250A (zh) * 2019-07-08 2019-09-20 济南大学 一种基于粒子群算法的b样条曲线拟合方法及系统
JP2022553390A (ja) * 2019-10-25 2022-12-22 ウーシー バイオロジクス アイルランド リミテッド 新規抗ｃｄ４７抗体及びその使用
CN113053113A (zh) * 2021-03-11 2021-06-29 湖南交通职业技术学院 一种基于PSO-Welsch-Ridge的异常检测方法及装置
CN113397524A (zh) * 2021-06-16 2021-09-17 深圳大学 一种呼吸检测方法、装置、设备和存储介质
CN115480519A (zh) * 2022-11-04 2022-12-16 济南邦德激光股份有限公司 基于正交三角分解的b样条曲线拟合方法、设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118133057A (zh) * 2024-05-07 2024-06-04 广州中医药大学深圳医院(福田) 一种呼吸可视化教学方法
CN118133057B (zh) * 2024-05-07 2024-07-12 广州中医药大学深圳医院(福田) 一种呼吸可视化教学方法

Also Published As

Publication number Publication date
CN116392105B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
US12097032B2 (en) Machine differentiation of abnormalities in bioelectromagnetic fields
US9247890B2 (en) Expert system to facilitate source localization of brain electrical activity
JP6199312B2 (ja) チェーンストークス呼吸パターンの判別
CN114376564B (zh) 一种基于心冲击信号的睡眠分期方法、系统、装置及介质
EP2997895B1 (en) Computer-implemented method and apparatus for recognizing gait task
CN116392105B (zh) 一种基于个性化特征拟合的呼吸训练模型构建方法及装置
CN106419893A (zh) 睡眠状态检测方法和装置
CN108388912A (zh) 基于多传感器特征优化算法的睡眠分期方法
Korpela et al. Evaluating tooth brushing performance with smartphone sound data
EP2392256A1 (en) Method and device for measuring the RSA component from heart rate data
CN111067503A (zh) 一种基于心率变异性的睡眠分期方法
CN110236491A (zh) 一种睡眠分期监控方法
Loo et al. A machine learning approach to assess magnitude of asynchrony breathing
WO2000073973A1 (en) Computer vision-based technique for objective assessment of material properties in non-rigid objects
Roháľová et al. Detection of the EEG Artifacts by the Means of the (Extended) Kalman Filter
CN116211305A (zh) 动态实时情绪检测方法及系统
CN108186018A (zh) 一种呼吸数据处理方法及装置
CN117409930B (zh) 基于ai技术实现的医疗康复数据处理方法及系统
CN110215202A (zh) 基于步态非线性特征的心电rr间隔预测关联方法
CN105960258A (zh) 用于产生对呼吸机的控制信号的方法和装置
Tomasevic et al. Artificial neural network based approach to EEG signal simulation
CN110801227B (zh) 基于可穿戴设备的立体色块障碍测试的方法和系统
Mukhopadhyay et al. A singular spectrum analysis-based data-driven technique for the removal of cardiogenic oscillations in esophageal pressure signals
Victor Jr et al. Mixed‐integer quadratic programming approach for noninvasive estimation of respiratory effort profile during pressure support ventilation
Olbrich et al. Sparse estimation for the assessment of muscular activity based on sEMG measurements

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