CN117807454A - 一种用于腹盆肌恢复的数据信号处理方法 - Google Patents
一种用于腹盆肌恢复的数据信号处理方法 Download PDFInfo
- Publication number
- CN117807454A CN117807454A CN202410224299.2A CN202410224299A CN117807454A CN 117807454 A CN117807454 A CN 117807454A CN 202410224299 A CN202410224299 A CN 202410224299A CN 117807454 A CN117807454 A CN 117807454A
- Authority
- CN
- China
- Prior art keywords
- stimulation
- recovery
- data
- type
- 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
Links
- 238000011084 recovery Methods 0.000 title claims abstract description 204
- 210000003205 muscle Anatomy 0.000 title claims abstract description 87
- 230000003187 abdominal effect Effects 0.000 title claims abstract description 83
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 230000000638 stimulation Effects 0.000 claims abstract description 306
- 238000012545 processing Methods 0.000 claims abstract description 83
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000003183 myoelectrical effect Effects 0.000 claims abstract description 34
- 230000008859 change Effects 0.000 claims description 90
- 230000000737 periodic effect Effects 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 19
- 238000000265 homogenisation Methods 0.000 claims description 6
- 238000010224 classification analysis Methods 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004936 stimulating effect Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003387 muscular Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 208000024335 physical disease Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003903 pelvic floor Anatomy 0.000 description 1
- 210000001139 rectus abdominis Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种用于腹盆肌恢复的数据信号处理方法,涉及数据处理技术领域。该方法包括获取腹盆肌恢复历史数据信号,形成恢复类型基础特征数据;获取腹盆肌恢复历史数据信号,并结合恢复类型基础特征数据,形成恢复类型处理匹配数据;获取腹盆肌恢复实时首次肌电信号,并进行类型匹配分析,形成实时类型匹配结果信息;根据实时类型匹配结果信息,结合恢复类型处理匹配数据形成实时恢复处理参考信息;获取实时恢复反馈肌电信号,并进行恢复处理调整分析,形成实时恢复处理调整信息。该方法能够基于腹盆肌的大数据刺激信号数据来形成针对个体的高效且合理的刺激参数信息,以为腹盆肌的修复处理提供可以参考的重要且准确的数据。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种用于腹盆肌恢复的数据信号处理方法。
背景技术
腹盆肌作为重要的肌肉群,对于支撑下腹区域的器官和相关组织起到了重要的作用。腹盆肌是由包括盆底肌、腹直肌等在内的肌肉所组成的肌肉群。通常情况下由于疾病、生育等因素会造成腹盆肌的肌张力发生改变,进而引发身体疾病。目前,对腹盆肌的治疗以电刺激为主,通过低频电流对腹盆肌进行刺激,进而起到肌肉的运动调整,并对获取到的肌电信号进行处理分析来确定刺激的效果。
当下针对腹盆肌的刺激治疗所使用的刺激电流等参数基本上还是凭借人员经验进行,一方面经验性的治疗不能够针对性的提供合理的刺激参数,另一方面也大大降低了刺激治疗的效果。现下,随着科学技术的发展,大数据越来越广泛的得到利用,将对腹盆肌的刺激治疗通过大数据来进行实时控制和调整成为一种可能。
因此,设计一种用于腹盆肌恢复的数据信号处理方法,能够基于腹盆肌的大数据刺激信号数据来形成针对个体的高效且合理的刺激参数信息,以为腹盆肌的修复处理提供可以参考的重要且准确的数据,是目前亟待解决的问题。
发明内容
本发明的目的在于提供一种用于腹盆肌恢复的数据信号处理方法,通过获取大数据下每个个体对象首次进行刺激的肌电信号数据来建立针对不同个体对象进行刺激的基础类型分类数据,同时结合后续的刺激数据形成每种基础类型下的刺激处理引导基础数据,以为后续实时进行个体对象的刺激参数选择提供重要且准确的参考。另外,在实时进行个体对象的刺激处理时,通过获取实时刺激反馈信息来对基础类型下的刺激处理参数进行合理的调整,以实现更加贴合个体特点的刺激处理参数,保证为更加合理的刺激处理提供准确且及时的数据修正。
第一方面,本发明提供一种用于腹盆肌恢复的数据信号处理方法,包括获取腹盆肌恢复历史数据信号,并进行基于首次肌电信号的特征分析,形成恢复类型基础特征数据;获取腹盆肌恢复历史数据信号,并结合恢复类型基础特征数据,进行恢复处理调整分析,形成恢复类型处理匹配数据;获取腹盆肌恢复实时首次肌电信号,并根据恢复类型基础特征数据进行类型匹配分析,形成实时类型匹配结果信息;根据实时类型匹配结果信息,结合恢复类型处理匹配数据形成实时恢复处理参考信息;获取实时恢复反馈肌电信号,并根据实时恢复处理参考信息进行恢复处理调整分析,形成实时恢复处理调整信息。
在本发明中,该方法通过获取大数据下每个个体对象首次进行刺激的肌电信号数据来建立针对不同个体对象进行刺激的基础类型分类数据,同时结合后续的刺激数据形成每种基础类型下的刺激处理引导基础数据,以为后续实时进行个体对象的刺激参数选择提供重要且准确的参考。另外,在实时进行个体对象的刺激处理时,通过获取实时刺激反馈信息来对基础类型下的刺激处理参数进行合理的调整,以实现更加贴合个体特点的刺激处理参数,保证为更加合理的刺激处理提供准确且及时的数据修正。
作为一种可能的实现方式,获取腹盆肌恢复历史数据信号,并进行基于首次肌电信号的特征分析,形成恢复类型基础特征数据,包括:获取每个个体对象的历史首次肌电信号,并进行基于刺激恢复效果的特征分析,形成历史肌电信号特征值;获取每个个体对象的历史首次刺激特征值;根据所有个体对象的历史肌电信号特征值和对应的历史首次刺激特征值,进行类型划分分析,形成恢复类型基础特征数据。
在本发明中,对腹盆肌恢复历史数据信息中个体对象上获取的首次肌电信号的处理主要通过将肌电信号转化为能够表征刺激效果的特征值,并通过对特征值进行合理的类型划分来实现利用首次肌电信号进行类型划分的处理。需要说明的是,一方面这里以个体对象的首次肌电信号为分析对象来建立恢复类型数据,其主要原因是首次刺激产生的肌电信号具有较强的个体特征,因为首次刺激代表腹盆肌刚开始进行刺激处理,这时的腹盆肌表现出明显的问题状态,进而首次刺激形成的肌电信号可以对不同个体的腹盆肌所处的问题状态进行表征,进而能为后续针对性的进行不同程度的问题状态提供合理准确的刺激处理提供了重要且准确的基础数据。另一方面,对于首次刺激可以理解为每个处理疗程下的首次,也可以看作是个体对象在整个恢复过程中的首次,可以根据实际的分析需要来进行定义。另外,对于对肌电信号进行特征分析,主要考虑形成的特征值能够充分的表征肌电信号的特点,也能够展现出刺激处理的效果。因而,可以以肌电信号中的峰值、谷值、峰值与谷值的差值、峰值到谷值的变化率或者这些特征参数的组合来进行特征值的表达,具体可以根据实际需要来进行获取。
作为一种可能的实现方式,根据所有个体对象的历史肌电信号特征值和对应的历
史首次刺激特征值,进行类型划分分析,形成恢复类型基础特征数据,包括:确定最小刺激
特征值,获取所有个体对象的历史首次刺激特征值,并确定相对刺激量,其中,i为
腹盆肌恢复历史数据中个体对象的编号,=;设定刺激级别浮动值α,并以最小的相
对刺激量为刺激级别划分的起始值,确定每个刺激级别范围,
其中,表示所有个体对象对应的相对刺激量中数值最小的相对刺激量,x为非负整数;
获取每个刺激级别范围中相对刺激量A对应的历史肌电信号特征值,并按照由小到大的顺
序进行排列,形成有序级别肌电信号特征值集;设定类型划分步长β,以有序级别肌电信号
特征集中最小的历史肌电信号特征值为类型划分起始值,确定每个级别下的不同肌电信号
特征类别范围,其中,表示在对应刺激级别范围下所有
历史肌电信号特征值中数值最小的历史肌电信号特征值,y为非负整数;获取每个肌电信号
特征类别范围中所有历史肌电信号特征值,形成肌电信号特征值类型集;集合所有刺激级
别范围和每个刺激级别范围对应的所有肌电信号特征值类型集,形成恢复类型基础特征数
据。
在本发明中,可以理解的是,对于首次刺激获取的肌电信号,如果仅是针对肌电信号本身进行类型的划分就忽略了刺激参数对肌电信号的影响,而刺激参数也是腹盆肌进行刺激恢复所要关注的重要方面。所以在进行类型划分时,需要充分考虑刺激参数的影响,这里在对刺激参数进行基于类型的划分时也是将刺激参数进行特征化,在利用特征值进行分析处理。这里对刺激参数的特征化可以根据实际需要进行,本发明考虑对腹盆肌具有重要影响的刺激参数有电流大小、刺激的频率等,可以从这些参数中提供特征值进行表征,当然也可以全部其提取,以为后续实时调控提供参数设置的更加准确的引导。当然,考虑刺激参数会针对不同的个体对象有不同的设置,通过设定一个最小刺激特征值来将不同个体对象的刺激特征建立一个统一的对比基础,这样使得在进行类型划分时具有数据的可比性。这个最小刺激特征值可以是通用设备仪器的最小设置值也可以是大数据分析下的有效参考值。基于刺激参数和肌电信号两个方面进行类型划分,首先根据刺激参数来进行级别的确定,毕竟刺激参数的差距较大时所刺激处理的个体对象的特体差异是较大的。随后再在不同的级别下进行基于肌电信号的类型划分。对于刺激级别浮动值和类型划分步长可以根据实际情况进行设定,也可以基于大数据进行合理的分析确定。
作为一种可能的实现方式,获取腹盆肌恢复历史数据信号,并结合恢复类型基础特征数据,进行恢复处理调整分析,形成恢复类型处理匹配数据,包括:确定刺激周期,并获取恢复类型处理匹配数据中每个个体对象在首次刺激之后每个刺激周期上对应的历史刺激特征值和肌电信号特征值;对处于同一肌电信号特征类别范围的个体对象,进行基于刺激周期的肌电信号变化率分析,形成恢复类型处理匹配数据。
在本发明中,在完成对历史数据中个体对象基于首次肌电信号的类型划分后,可以理解,每种类型下的个体对象尤其是在腹盆肌肌肉的问题程度以及恢复状态下基本上具有相似性。因而对同类型的个体对象进行针对首次之后的刺激处理的数据进行整个刺激恢复过程的变化分析,可以充分把握该类型的个体对象刺激恢复特点,进而为后续实时进行刺激处理提供准确且合理的参考数据。
作为一种可能的实现方式,对处于同一肌电信号特征类别范围的个体对象,进行
基于刺激周期的肌电信号变化率分析,形成恢复类型处理匹配数据,包括:在同一肌电信号
特征类型范围中,对每个个体对象,将所有肌电信号特征值和对应的历史刺激特征值按照
刺激周期在时间维度上的顺序进行排列,形成有序恢复类型特征数据;根据有序恢复类型
特征数据中每个刺激周期内的肌电信号特征值确定个体周期平均变化率,其中,n为
不同肌电信号特征类型范围的编号,m为编号为n的肌电信号特征类型范围下个体对象的编
号,p为不同刺激周期在时间维度上的编号;根据有序恢复类型特征数据中对应的所有个体
对象的个体周期平均变化率,进行基于恢复类型的变化率均化分析,确定每个刺激周
期的周期平均变化率;在有序恢复类型特征数据中确定每个刺激周期下同周期平均变化
率最接近的个体周期平均变化率所对应的历史刺激特征值,并标定为周期刺激基
础特征值;集合不同肌电信号特征类型范围中每个刺激周期下的周期平均变化率和对应
的周期刺激基础特征值,形成恢复类型处理匹配数据。
在本发明中,在每个个体对象的整个刺激恢复过程中会在不同的时间点上进行刺激处理,因而根据个体对象刺激处理的周期来对每个周期进行基于肌电信号的腹盆肌恢复变化率分析可以充分把握对应类型的个体对象在每个周期下的刺激恢复情况。这里以平均变化率进行衡量一方面是考虑后续实时对该类型的个体对象提供数据参考时平均数能够满足每个个体的需求,避免出现不适应的情况,另一方面也能够在后续实时调整时作为调整基础充分满足针对个体对象的需求。另外,虽然对于变化率是首先对个体对象的每个周期平均变化率获取,再在所有个体对象上进行每个周期的总体平均变化率获取,但在考虑总体平均变化率在每个周期上对应的刺激参数时,并没有对刺激参数进行平均处理取得,而是就近获取已有的刺激参数,这样可以避免实际医疗器械无法进行准确调整的状况,同时也具有个体参考性,毕竟经过试验的数据能够保证使用的安全性和合理性。
作为一种可能的实现方式,根据有序恢复类型特征数据中对应的所有个体对象的
个体周期平均变化率,进行基于恢复类型的变化率均化分析,确定每个刺激周期的周
期平均变化率,包括:对每个刺激周期,获取有序恢复类型特征数据中所有个体的个体周
期平均变化率,并根据下式确定周期平均变化率:。
在本发明中,对周期平均变化率的获取主要是将所有个体对象在同一刺激周期下的平均数据进行均化取得。
作为一种可能的实现方式,获取腹盆肌恢复实时首次肌电信号,并根据恢复类型
基础特征数据进行类型匹配分析,形成实时类型匹配结果信息,包括:获取腹盆肌恢复实时
首次肌电信号,并进行基于刺激恢复效果的特征分析,形成实时肌电信号特征值;将实时肌
电信号特征值与肌电信号特征类别范围进行对比,确定实时肌电信号特征值对应的肌电信
号特征类型范围,并标定为目标肌电信号特征类型范围;提取目标肌电信号特征类型范围
对应的周期平均变化率和周期刺激基础特征值,分别标定为目标基础周期平均变化率和
目标周期刺激基础特征值。
在本发明中,在建立合理的类型数据和刺激过程参考数据后,实时进行刺激恢复时,可以首先依据首次刺激产生的肌电数据信号和类型数据进行匹配,进而确定目标个体对象的腹盆肌属于哪个类型,进而提取对应类型的后续刺激引导数据,为目标个体对象的实时刺激参数设置提供合理的数据引导,以实现对目标对象更加有效的腹盆肌刺激恢复。
作为一种可能的实现方式,根据实时类型匹配结果信息,结合恢复类型处理匹配数据形成实时恢复处理参考信息,包括:根据目标基础周期平均变化率,确定每个刺激周期下目标个体对象进行刺激恢复的实时目标周期平均变化率;根据与目标周期平均变化率对应的目标周期刺激基础特征值,标定实时目标周期刺激特征值;结合每个刺激周期内对应的实时目标周期平均变化率和实时目标周期刺激特征值,形成实时恢复处理参考信息。
在本发明中,在目标个体对象后续的刺激处理中以数据分析确定的参考数据为基础能够更加合理的确定出刺激的周期、次数、参数值等重要刺激处理数据。同时也能提供供实时肌电信号对比分析的参考数据。
作为一种可能的实现方式,获取实时恢复反馈肌电信号,并根据实时恢复处理参
考信息进行恢复处理调整分析,形成实时恢复处理调整信息,包括:获取在目标刺激周期下
的实时周期肌电特征变化率;根据实时周期肌电特征变化率与对应目标刺激周期
下的目标基础周期平均变化率,确定与目标刺激周期相邻的下一个刺激周期的特征调整
率;根据特征调整率和与目标刺激周期相邻的下一个刺激周期的目标周期刺激基础
特征值,确定与目标刺激周期相邻的下一个刺激周期的调整刺激特征值,其中:,表示与目标刺激周期相邻的下一个刺激周期的目标周期刺激基础特
征值,t=p+1。
在本发明中,对于实时调整刺激参数,是通过前一周期利用数据分析形成的均化的刺激参数所形成的肌电信号来进行确定的。可以理解,个体对象之间存在一定的差异性。在前一个周期以数据分析的均化参数作为刺激参数得到的肌电信息如果和数据分析提供的参考数据存在较大的偏差,那么可以认为个体的腹盆肌刺激可能真实情况需要提供偏离均化的刺激参数的设置值才可以取得较好的效果。所以通过偏差率对下一个周期的刺激参数进行调整可以合理的提高个体对象的刺激处理效果。
作为一种可能的实现方式,根据实时周期肌电特征变化率与对应目标刺激周
期下的目标基础周期平均变化率,确定与目标刺激周期相邻的下一个刺激周期的特征调
整率,包括:根据实时周期肌电特征变化率与对应目标刺激周期下的目标基础周期
平均变化率,并结合下式确定特征调整率:。
在本发明中,这里调整率是以目标周期的均值为基础来确定的,使得数据具有一定的可比性和合理性。
本发明提供的一种用于腹盆肌恢复的数据信号处理方法的有益效果有:
该方法通过获取大数据下每个个体对象首次进行刺激的肌电信号数据来建立针对不同个体对象进行刺激的基础类型分类数据,同时结合后续的刺激数据形成每种基础类型下的刺激处理引导基础数据,以为后续实时进行个体对象的刺激参数选择提供重要且准确的参考。另外,在实时进行个体对象的刺激处理时,通过获取实时刺激反馈信息来对基础类型下的刺激处理参数进行合理的调整,以实现更加贴合个体特点的刺激处理参数,保证为更加合理的刺激处理提供准确且及时的数据修正。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的用于腹盆肌恢复的数据信号处理方法的步骤图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
腹盆肌作为重要的肌肉群,对于支撑下腹区域的器官和相关组织起到了重要的作用。而通常情况下由于疾病、生育等因素会造成腹盆肌的肌张力发生改变,进而引发身体疾病。目前,对腹盆肌的治疗以电刺激为主,通过低频电流对腹盆肌进行刺激,进而起到肌肉的运动调整,并对获取到的肌电信号进行处理分析来确定刺激的效果。
当下针对腹盆肌的刺激治疗所使用的刺激电流等参数基本上还是凭借人员经验进行,一方面经验性的治疗不能够针对性的提供合理的刺激参数,另一方面也大大降低了刺激治疗的效果。现下,随着科学技术的发展,大数据越来越广泛的得到利用,将对腹盆肌的刺激治疗通过大数据来进行实时控制和调整成为一种可能。
参考图1,本发明实施例提供一种用于腹盆肌恢复的数据信号处理方法,该方法通过获取大数据下每个个体对象首次进行刺激的肌电信号数据来建立针对不同个体对象进行刺激的基础类型分类数据,同时结合后续的刺激数据形成每种基础类型下的刺激处理引导基础数据,以为后续实时进行个体对象的刺激参数选择提供重要且准确的参考。另外,在实时进行个体对象的刺激处理时,通过获取实时刺激反馈信息来对基础类型下的刺激处理参数进行合理的调整,以实现更加贴合个体特点的刺激处理参数,保证为更加合理的刺激处理提供准确且及时的数据修正。
用于腹盆肌恢复的数据信号处理方法具体包括以下步骤:
S1:获取腹盆肌恢复历史数据信号,并进行基于首次肌电信号的特征分析,形成恢复类型基础特征数据。
获取腹盆肌恢复历史数据信号,并进行基于首次肌电信号的特征分析,形成恢复类型基础特征数据,包括:获取每个个体对象的历史首次肌电信号,并进行基于刺激恢复效果的特征分析,形成历史肌电信号特征值;获取每个个体对象的历史首次刺激特征值;根据所有个体对象的历史肌电信号特征值和对应的历史首次刺激特征值,进行类型划分分析,形成恢复类型基础特征数据。
对腹盆肌恢复历史数据信息中个体对象上获取的首次肌电信号的处理主要通过将肌电信号转化为能够表征刺激效果的特征值,并通过对特征值进行合理的类型划分来实现利用首次肌电信号进行类型划分的处理。需要说明的是,一方面这里以个体对象的首次肌电信号为分析对象来建立恢复类型数据,其主要原因是首次刺激产生的肌电信号具有较强的个体特征,因为首次刺激代表腹盆肌刚开始进行刺激处理,这时的腹盆肌表现出明显的问题状态,进而首次刺激形成的肌电信号可以对不同个体的腹盆肌所处的问题状态进行表征,进而能为后续针对性的进行不同程度的问题状态提供合理准确的刺激处理提供了重要且准确的基础数据。另一方面,对于首次刺激可以理解为每个处理疗程下的首次,也可以看作是个体对象在整个恢复过程中的首次,可以根据实际的分析需要来进行定义。另外,对于对肌电信号进行特征分析,主要考虑形成的特征值能够充分的表征肌电信号的特点,也能够展现出刺激处理的效果。因而,可以以肌电信号中的峰值、谷值、峰值与谷值的差值、峰值到谷值的变化率或者这些特征参数的组合来进行特征值的表达,具体可以根据实际需要来进行获取。
根据所有个体对象的历史肌电信号特征值和对应的历史首次刺激特征值,进行类
型划分分析,形成恢复类型基础特征数据,包括:确定最小刺激特征值,获取所有个体
对象的历史首次刺激特征值,并确定相对刺激量,其中,i为腹盆肌恢复历史数据中个体
对象的编号,=;设定刺激级别浮动值α,并以最小的相对刺激量为刺激级别划分的
起始值,确定每个刺激级别范围,其中,表示所有个体对象
对应的相对刺激量中数值最小的相对刺激量,x为非负整数;获取每个刺激级别范围中相对
刺激量A对应的历史肌电信号特征值,并按照由小到大的顺序进行排列,形成有序级别肌电
信号特征值集;设定类型划分步长β,以有序级别肌电信号特征集中最小的历史肌电信号特
征值为类型划分起始值,确定每个级别下的不同肌电信号特征类别范围,其中,表示在对应刺激级别范围下所有历史肌电信号
特征值中数值最小的历史肌电信号特征值,y为非负整数;获取每个肌电信号特征类别范围
中所有历史肌电信号特征值,形成肌电信号特征值类型集;集合所有刺激级别范围和每个
刺激级别范围对应的所有肌电信号特征值类型集,形成恢复类型基础特征数据。
可以理解的是,对于首次刺激获取的肌电信号,如果仅是针对肌电信号本身进行类型的划分就忽略了刺激参数对肌电信号的影响,而刺激参数也是腹盆肌进行刺激恢复所要关注的重要方面。所以在进行类型划分时,需要充分考虑刺激参数的影响,这里在对刺激参数进行基于类型的划分时也是将刺激参数进行特征化,在利用特征值进行分析处理。这里对刺激参数的特征化可以根据实际需要进行,本发明考虑对腹盆肌具有重要影响的刺激参数有电流大小、刺激的频率等,可以从这些参数中提供特征值进行表征,当然也可以全部其提取,以为后续实时调控提供参数设置的更加准确的引导。当然,考虑刺激参数会针对不同的个体对象有不同的设置,通过设定一个最小刺激特征值来将不同个体对象的刺激特征建立一个统一的对比基础,这样使得在进行类型划分时具有数据的可比性。这个最小刺激特征值可以是通用设备仪器的最小设置值也可以是大数据分析下的有效参考值。基于刺激参数和肌电信号两个方面进行类型划分,首先根据刺激参数来进行级别的确定,毕竟刺激参数的差距较大时所刺激处理的个体对象的特体差异是较大的。随后再在不同的级别下进行基于肌电信号的类型划分。对于刺激级别浮动值和类型划分步长可以根据实际情况进行设定,也可以基于大数据进行合理的分析确定。
S2:获取腹盆肌恢复历史数据信号,并结合恢复类型基础特征数据,进行恢复处理调整分析,形成恢复类型处理匹配数据。
获取腹盆肌恢复历史数据信号,并结合恢复类型基础特征数据,进行恢复处理调整分析,形成恢复类型处理匹配数据,包括:确定刺激周期,并获取恢复类型处理匹配数据中每个个体对象在首次刺激之后每个刺激周期上对应的历史刺激特征值和肌电信号特征值;对处于同一肌电信号特征类别范围的个体对象,进行基于刺激周期的肌电信号变化率分析,形成恢复类型处理匹配数据。
在完成对历史数据中个体对象基于首次肌电信号的类型划分后,可以理解,每种类型下的个体对象尤其是在腹盆肌肌肉的问题程度以及恢复状态下基本上具有相似性。因而对同类型的个体对象进行针对首次之后的刺激处理的数据进行整个刺激恢复过程的变化分析,可以充分把握该类型的个体对象刺激恢复特点,进而为后续实时进行刺激处理提供准确且合理的参考数据。
对处于同一肌电信号特征类别范围的个体对象,进行基于刺激周期的肌电信号变
化率分析,形成恢复类型处理匹配数据,包括:在同一肌电信号特征类型范围中,对每个个
体对象,将所有肌电信号特征值和对应的历史刺激特征值按照刺激周期在时间维度上的顺
序进行排列,形成有序恢复类型特征数据;根据有序恢复类型特征数据中每个刺激周期内
的肌电信号特征值确定个体周期平均变化率,其中,n为不同肌电信号特征类型范围
的编号,m为编号为n的肌电信号特征类型范围下个体对象的编号,p为不同刺激周期在时间
维度上的编号;根据有序恢复类型特征数据中对应的所有个体对象的个体周期平均变化率,进行基于恢复类型的变化率均化分析,确定每个刺激周期的周期平均变化率;在
有序恢复类型特征数据中确定每个刺激周期下同周期平均变化率最接近的个体周期平
均变化率所对应的历史刺激特征值,并标定为周期刺激基础特征值;集合不同肌电信
号特征类型范围中每个刺激周期下的周期平均变化率和对应的周期刺激基础特征值,形
成恢复类型处理匹配数据。
在每个个体对象的整个刺激恢复过程中会在不同的时间点上进行刺激处理,因而根据个体对象刺激处理的周期来对每个周期进行基于肌电信号的腹盆肌恢复变化率分析可以充分把握对应类型的个体对象在每个周期下的刺激恢复情况。这里以平均变化率进行衡量一方面是考虑后续实时对该类型的个体对象提供数据参考时平均数能够满足每个个体的需求,避免出现不适应的情况,另一方面也能够在后续实时调整时作为调整基础充分满足针对个体对象的需求。另外,虽然对于变化率是首先对个体对象的每个周期平均变化率获取,再在所有个体对象上进行每个周期的总体平均变化率获取,但在考虑总体平均变化率在每个周期上对应的刺激参数时,并没有对刺激参数进行平均处理取得,而是就近获取已有的刺激参数,这样可以避免实际医疗器械无法进行准确调整的状况,同时也具有个体参考性,毕竟经过试验的数据能够保证使用的安全性和合理性。
根据有序恢复类型特征数据中对应的所有个体对象的个体周期平均变化率,
进行基于恢复类型的变化率均化分析,确定每个刺激周期的周期平均变化率,包括:对每
个刺激周期,获取有序恢复类型特征数据中所有个体的个体周期平均变化率,并根据
下式确定周期平均变化率:。
对周期平均变化率的获取主要是将所有个体对象在同一刺激周期下的平均数据进行均化取得。
S3:获取腹盆肌恢复实时首次肌电信号,并根据恢复类型基础特征数据进行类型匹配分析,形成实时类型匹配结果信息。
获取腹盆肌恢复实时首次肌电信号,并根据恢复类型基础特征数据进行类型匹配
分析,形成实时类型匹配结果信息,包括:获取腹盆肌恢复实时首次肌电信号,并进行基于
刺激恢复效果的特征分析,形成实时肌电信号特征值;将实时肌电信号特征值与肌电信号
特征类别范围进行对比,确定实时肌电信号特征值对应的肌电信号特征类型范围,并标定
为目标肌电信号特征类型范围;提取目标肌电信号特征类型范围对应的周期平均变化率
和周期刺激基础特征值,分别标定为目标基础周期平均变化率和目标周期刺激基础特征
值。
在建立合理的类型数据和刺激过程参考数据后,实时进行刺激恢复时,可以首先依据首次刺激产生的肌电数据信号和类型数据进行匹配,进而确定目标个体对象的腹盆肌属于哪个类型,进而提取对应类型的后续刺激引导数据,为目标个体对象的实时刺激参数设置提供合理的数据引导,以实现对目标对象更加有效的腹盆肌刺激恢复。
S4:根据实时类型匹配结果信息,结合恢复类型处理匹配数据形成实时恢复处理参考信息。
根据实时类型匹配结果信息,结合恢复类型处理匹配数据形成实时恢复处理参考信息,包括:根据目标基础周期平均变化率,确定每个刺激周期下目标个体对象进行刺激恢复的实时目标周期平均变化率;根据与目标周期平均变化率对应的目标周期刺激基础特征值,标定实时目标周期刺激特征值;结合每个刺激周期内对应的实时目标周期平均变化率和实时目标周期刺激特征值,形成实时恢复处理参考信息。
在目标个体对象后续的刺激处理中以数据分析确定的参考数据为基础能够更加合理的确定出刺激的周期、次数、参数值等重要刺激处理数据。同时也能提供供实时肌电信号对比分析的参考数据。
S5:获取实时恢复反馈肌电信号,并根据实时恢复处理参考信息进行恢复处理调整分析,形成实时恢复处理调整信息。
获取实时恢复反馈肌电信号,并根据实时恢复处理参考信息进行恢复处理调整分
析,形成实时恢复处理调整信息,包括:获取在目标刺激周期下的实时周期肌电特征变化率;根据实时周期肌电特征变化率与对应目标刺激周期下的目标基础周期平均变化
率,确定与目标刺激周期相邻的下一个刺激周期的特征调整率;根据特征调整率
和与目标刺激周期相邻的下一个刺激周期的目标周期刺激基础特征值,确定与目标刺激周
期相邻的下一个刺激周期的调整刺激特征值,其中:,表示与目标刺
激周期相邻的下一个刺激周期的目标周期刺激基础特征值,t=p+1。
对于实时调整刺激参数,是通过前一周期利用数据分析形成的均化的刺激参数所形成的肌电信号来进行确定的。可以理解,个体对象之间存在一定的差异性。在前一个周期以数据分析的均化参数作为刺激参数得到的肌电信息如果和数据分析提供的参考数据存在较大的偏差,那么可以认为个体的腹盆肌刺激可能真实情况需要提供偏离均化的刺激参数的设置值才可以取得较好的效果。所以通过偏差率对下一个周期的刺激参数进行调整可以合理的提高个体对象的刺激处理效果。
根据实时周期肌电特征变化率与对应目标刺激周期下的目标基础周期平均变
化率,确定与目标刺激周期相邻的下一个刺激周期的特征调整率,包括:根据实时周
期肌电特征变化率与对应目标刺激周期下的目标基础周期平均变化率,并结合下式
确定特征调整率:。这里调整率是以目标周期的均值为基础来确定的,使
得数据具有一定的可比性和合理性。
综上所述,本发明实施例提供的用于腹盆肌恢复的数据信号处理方法的有益效果有:
该方法通过获取大数据下每个个体对象首次进行刺激的肌电信号数据来建立针对不同个体对象进行刺激的基础类型分类数据,同时结合后续的刺激数据形成每种基础类型下的刺激处理引导基础数据,以为后续实时进行个体对象的刺激参数选择提供重要且准确的参考。另外,在实时进行个体对象的刺激处理时,通过获取实时刺激反馈信息来对基础类型下的刺激处理参数进行合理的调整,以实现更加贴合个体特点的刺激处理参数,保证为更加合理的刺激处理提供准确且及时的数据修正。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用于腹盆肌恢复的数据信号处理方法,其特征在于,包括:
获取腹盆肌恢复历史数据信号,并进行基于首次肌电信号的特征分析,形成恢复类型基础特征数据;
获取腹盆肌恢复历史数据信号,并结合所述恢复类型基础特征数据,进行恢复处理调整分析,形成恢复类型处理匹配数据;
获取腹盆肌恢复实时首次肌电信号,并根据所述恢复类型基础特征数据进行类型匹配分析,形成实时类型匹配结果信息;
根据所述实时类型匹配结果信息,结合所述恢复类型处理匹配数据形成实时恢复处理参考信息;
获取实时恢复反馈肌电信号,并根据所述实时恢复处理参考信息进行恢复处理调整分析,形成实时恢复处理调整信息。
2.根据权利要求1所述的用于腹盆肌恢复的数据信号处理方法,其特征在于,所述获取腹盆肌恢复历史数据信号,并进行基于首次肌电信号的特征分析,形成恢复类型基础特征数据,包括:
获取每个个体对象的历史首次肌电信号,并进行基于刺激恢复效果的特征分析,形成历史肌电信号特征值;
获取每个所述个体对象的历史首次刺激特征值;
根据所有所述个体对象的所述历史肌电信号特征值和对应的所述历史首次刺激特征值,进行类型划分分析,形成所述恢复类型基础特征数据。
3.根据权利要求2所述的用于腹盆肌恢复的数据信号处理方法,其特征在于,所述根据所有所述个体对象的所述历史肌电信号特征值和对应的所述历史首次刺激特征值,进行类型划分分析,形成所述恢复类型基础特征数据,包括:
确定最小刺激特征值,获取所有个体对象的历史首次刺激特征值/>,并确定相对刺激量/>,其中,i为所述腹盆肌恢复历史数据中个体对象的编号,/>=/>;
设定刺激级别浮动值α,并以最小的所述相对刺激量为刺激级别划分的起始值,确定每个刺激级别范围,其中,/>表示所有个体对象对应的相对刺激量中数值最小的相对刺激量,x为非负整数;
获取每个所述刺激级别范围中所述相对刺激量A对应的所述历史肌电信号特征值,并按照由小到大的顺序进行排列,形成有序级别肌电信号特征值集;
设定类型划分步长β,以所述有序级别肌电信号特征集中最小的所述历史肌电信号特征值为类型划分起始值,确定每个级别下的不同肌电信号特征类别范围,其中,/>表示在对应刺激级别范围下所有所述历史肌电信号特征值中数值最小的历史肌电信号特征值,y为非负整数;
获取每个肌电信号特征类别范围中所有所述历史肌电信号特征值,形成肌电信号特征值类型集;
集合所有刺激级别范围和每个刺激级别范围对应的所有所述肌电信号特征值类型集,形成所述恢复类型基础特征数据。
4.根据权利要求3所述的用于腹盆肌恢复的数据信号处理方法,其特征在于,所述获取腹盆肌恢复历史数据信号,并结合所述恢复类型基础特征数据,进行恢复处理调整分析,形成恢复类型处理匹配数据,包括:
确定刺激周期,并获取所述恢复类型处理匹配数据中每个所述个体对象在首次刺激之后每个所述刺激周期上对应的历史刺激特征值和肌电信号特征值;
对处于同一所述肌电信号特征类别范围的个体对象,进行基于所述刺激周期的肌电信号变化率分析,形成所述恢复类型处理匹配数据。
5.根据权利要求4所述的用于腹盆肌恢复的数据信号处理方法,其特征在于,所述对处于同一所述肌电信号特征类别范围的个体对象,进行基于所述刺激周期的肌电信号变化率分析,形成所述恢复类型处理匹配数据,包括:
在同一所述肌电信号特征类型范围中,对每个个体对象,将所有所述肌电信号特征值和对应的所述历史刺激特征值按照所述刺激周期在时间维度上的顺序进行排列,形成有序恢复类型特征数据;
根据所述有序恢复类型特征数据中每个所述刺激周期内的所述肌电信号特征值确定个体周期平均变化率,其中,n为不同所述肌电信号特征类型范围的编号,m为编号为n的所述肌电信号特征类型范围下个体对象的编号,p为不同所述刺激周期在时间维度上的编号;
根据所述有序恢复类型特征数据中对应的所有个体对象的所述个体周期平均变化率,进行基于恢复类型的变化率均化分析,确定每个所述刺激周期的周期平均变化率/>;
在所述有序恢复类型特征数据中确定每个所述刺激周期下同所述周期平均变化率最接近的所述个体周期平均变化率/>所对应的所述历史刺激特征值,并标定为周期刺激基础特征值;
集合不同所述肌电信号特征类型范围中每个所述刺激周期下的所述周期平均变化率和对应的所述周期刺激基础特征值,形成所述恢复类型处理匹配数据。
6.根据权利要求5所述的用于腹盆肌恢复的数据信号处理方法,其特征在于,所述根据所述有序恢复类型特征数据中对应的所有个体对象的所述个体周期平均变化率,进行基于恢复类型的变化率均化分析,确定每个所述刺激周期的周期平均变化率/>,包括:
对每个所述刺激周期,获取所述有序恢复类型特征数据中所有个体的所述个体周期平均变化率,并根据下式确定所述周期平均变化率/>:
。
7.根据权利要求6所述的用于腹盆肌恢复的数据信号处理方法,其特征在于,所述获取腹盆肌恢复实时首次肌电信号,并根据所述恢复类型基础特征数据进行类型匹配分析,形成实时类型匹配结果信息,包括:
获取所述腹盆肌恢复实时首次肌电信号,并进行基于刺激恢复效果的特征分析,形成实时肌电信号特征值;
将所述实时肌电信号特征值与所述肌电信号特征类别范围进行对比,确定所述实时肌电信号特征值对应的所述肌电信号特征类型范围,并标定为目标肌电信号特征类型范围;
提取所述目标肌电信号特征类型范围对应的所述周期平均变化率和所述周期刺激基础特征值,分别标定为目标基础周期平均变化率和目标周期刺激基础特征值。
8.根据权利要求7所述的用于腹盆肌恢复的数据信号处理方法,其特征在于,所述根据所述实时类型匹配结果信息,结合所述恢复类型处理匹配数据形成实时恢复处理参考信息,包括:
根据所述目标基础周期平均变化率,确定每个所述刺激周期下目标个体对象进行刺激恢复的实时目标周期平均变化率;
根据与所述目标周期平均变化率对应的所述目标周期刺激基础特征值,标定实时目标周期刺激特征值;
结合每个所述刺激周期内对应的所述实时目标周期平均变化率和所述实时目标周期刺激特征值,形成所述实时恢复处理参考信息。
9.根据权利要求8所述的用于腹盆肌恢复的数据信号处理方法,其特征在于,所述获取实时恢复反馈肌电信号,并根据所述实时恢复处理参考信息进行恢复处理调整分析,形成实时恢复处理调整信息,包括:
获取在目标刺激周期下的实时周期肌电特征变化率;
根据所述实时周期肌电特征变化率与对应所述目标刺激周期下的目标基础周期平均变化率/>,确定与所述目标刺激周期相邻的下一个刺激周期的特征调整率/>;
根据所述特征调整率和与所述目标刺激周期相邻的下一个刺激周期的所述目标周期刺激基础特征值,确定与所述目标刺激周期相邻的下一个刺激周期的调整刺激特征值/>,其中:
,/>表示与所述目标刺激周期相邻的下一个刺激周期的所述目标周期刺激基础特征值,t=p+1。
10.根据权利要求9所述的用于腹盆肌恢复的数据信号处理方法,其特征在于,所述根据所述实时周期肌电特征变化率与对应所述目标刺激周期下的目标基础周期平均变化率/>,确定与所述目标刺激周期相邻的下一个刺激周期的特征调整率/>,包括:
根据所述实时周期肌电特征变化率与对应所述目标刺激周期下的目标基础周期平均变化率/>,并结合下式确定所述特征调整率/>:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224299.2A CN117807454B (zh) | 2024-02-29 | 2024-02-29 | 一种用于腹盆肌恢复的数据信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224299.2A CN117807454B (zh) | 2024-02-29 | 2024-02-29 | 一种用于腹盆肌恢复的数据信号处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117807454A true CN117807454A (zh) | 2024-04-02 |
CN117807454B CN117807454B (zh) | 2024-05-17 |
Family
ID=90430441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410224299.2A Active CN117807454B (zh) | 2024-02-29 | 2024-02-29 | 一种用于腹盆肌恢复的数据信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807454B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110004110A1 (en) * | 2000-05-30 | 2011-01-06 | Vladimir Shusterman | Personalized Monitoring and Healthcare Information Management Using Physiological Basis Functions |
US20160199651A1 (en) * | 2014-07-22 | 2016-07-14 | Imthera Medical, Inc. | Method for Adjusting a System for Stimulating a Hypoglossal Nerve |
US20160303376A1 (en) * | 2015-04-14 | 2016-10-20 | Medtronic, Inc. | Controlling electrical stimulation based on evoked compound muscle action potential |
US20200402664A1 (en) * | 2019-06-20 | 2020-12-24 | University Of Louisville Research Foundation, Inc. | Determination of stimulation parameters for muscle activation |
WO2022217358A1 (en) * | 2021-04-13 | 2022-10-20 | University Health Network | Point-of-care prediction of muscle responsiveness to therapy during neurorehabilitation |
WO2023236667A1 (zh) * | 2022-06-10 | 2023-12-14 | 法罗适(上海)医疗技术有限公司 | 基于表面肌电值的康复水平量化方法、康复系统 |
-
2024
- 2024-02-29 CN CN202410224299.2A patent/CN117807454B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110004110A1 (en) * | 2000-05-30 | 2011-01-06 | Vladimir Shusterman | Personalized Monitoring and Healthcare Information Management Using Physiological Basis Functions |
US20160199651A1 (en) * | 2014-07-22 | 2016-07-14 | Imthera Medical, Inc. | Method for Adjusting a System for Stimulating a Hypoglossal Nerve |
US20160303376A1 (en) * | 2015-04-14 | 2016-10-20 | Medtronic, Inc. | Controlling electrical stimulation based on evoked compound muscle action potential |
US20200402664A1 (en) * | 2019-06-20 | 2020-12-24 | University Of Louisville Research Foundation, Inc. | Determination of stimulation parameters for muscle activation |
WO2022217358A1 (en) * | 2021-04-13 | 2022-10-20 | University Health Network | Point-of-care prediction of muscle responsiveness to therapy during neurorehabilitation |
WO2023236667A1 (zh) * | 2022-06-10 | 2023-12-14 | 法罗适(上海)医疗技术有限公司 | 基于表面肌电值的康复水平量化方法、康复系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117807454B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10321840B2 (en) | Development of fully-automated classifier builders for neurodiagnostic applications | |
Banerjee et al. | Semiparametric spatio‐temporal frailty modeling | |
WO2020103683A1 (zh) | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统 | |
CN101835421B (zh) | 特征量候选生成装置和特征量候选生成方法 | |
CN114732424B (zh) | 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 | |
CN108573227A (zh) | 心电图数据质量评价方法及装置 | |
CN110464303A (zh) | 睡眠质量评估方法及装置 | |
CN108042145A (zh) | 情绪状态识别方法和系统、情绪状态识别设备 | |
CN115563484A (zh) | 一种基于生理唤醒识别的街道绿化品质检测方法 | |
Ortiz-Rosario et al. | MUSIC-Expected maximization gaussian mixture methodology for clustering and detection of task-related neuronal firing rates | |
Tankus et al. | An automatic measure for classifying clusters of suspected spikes into single cells versus multiunits | |
Subramanian et al. | A point process characterization of electrodermal activity | |
Hasni et al. | Analysis of electromyogram (EMG) for detection of neuromuscular disorders | |
CN107320097A (zh) | 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置 | |
CN117807454B (zh) | 一种用于腹盆肌恢复的数据信号处理方法 | |
Kvam et al. | Comparing likelihood-based and likelihood-free approaches to fitting and comparing models of intertemporal choice | |
CN115251856B (zh) | 脉力强弱判断方法、装置、电子设备及存储介质 | |
Furman et al. | Modern problems of brain-signal analysis and approaches to their solution | |
Viles et al. | Percolation under noise: Detecting explosive percolation using the second-largest component | |
Navallas et al. | Maximum likelihood estimation of motor unit firing pattern statistics | |
Xu et al. | Unsupervised profiling of microglial arbor morphologies and distribution using a nonparametric Bayesian approach | |
Theresia et al. | The back-propagation neural network classification of EEG signal using time frequency domain feature extraction | |
Rahman et al. | Arithmetic Mental Task of EEG Signal Classification Using Statistical Modeling of The DWT Coefficient | |
Mirarchi et al. | Data mining techniques for vestibular data classification | |
CN114513987B (zh) | 用于测量脑活动的设备和方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Hong Xubin Inventor after: Hong Zicheng Inventor before: Hong Xubin Inventor before: Hong Zichen |
|
CB03 | Change of inventor or designer information |