FI111514B - A method of measuring the physical condition of an object being measured - Google Patents
A method of measuring the physical condition of an object being measured Download PDFInfo
- Publication number
- FI111514B FI111514B FI961148A FI961148A FI111514B FI 111514 B FI111514 B FI 111514B FI 961148 A FI961148 A FI 961148A FI 961148 A FI961148 A FI 961148A FI 111514 B FI111514 B FI 111514B
- Authority
- FI
- Finland
- Prior art keywords
- heart rate
- parameters
- input
- input parameters
- measured
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/683—Means for maintaining contact with the body
- A61B5/6831—Straps, bands or harnesses
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Description
111514111514
Menetelmä mitattavan kohteen fyysisen kunnon mittaamiseksiA method of measuring the physical condition of an object being measured
Keksinnön kohteena on menetelmä mitattavan kohteen fyysisen kunnon mittaamiseksi.The invention relates to a method for measuring the physical condition of a subject to be measured.
5 Keksinnön kohteena on myös laite mitattavan kohteen fyysisen kun non mittaamiseksi.The invention also relates to a device for measuring the physical condition of a subject to be measured.
Fyysisen kunnon esimerkiksi ihmisen fyysisen suorituskyvyn mittarina käytetään kuntoluokitusta, joka perustuu maksimaalisen hapenottokyvyn mittaamiseen.For example, fitness is a measure of physical fitness, such as a person's physical performance, which is based on the measurement of maximal oxygen uptake.
10 Tunnetut ratkaisut kuntoluokan määrittämiseen ja mittaukseen ovat joko suora rasitusmittaus tai epäsuora mittaus. Suorassa rasitusmittauksessa mitataan maksimaalinen hapenottokyky suoraan hengityskaasuista maksimaalisessa rasituksessa esimerkiksi juoksumaton tai polkupyöräergometrin avulla. Epäsuorassa mittauksessa mitataan suoritettu työ tietyssä ajassa kuten ns.10 Known solutions for determining and measuring fitness status are either direct stress measurement or indirect measurement. Direct stress measurement measures the maximal oxygen uptake directly from the breathing gases at maximum stress, for example by using a treadmill or bicycle ergometer. In indirect measurement, the work performed is measured over a period of time, such as the so-called.
15 Cooperin testissä, jossa mitataan 12 minuutin aikana juostu matka. Kummassakin tunnetussa menetelmässä kunnon mittaus tapahtuu aktiivisen suorituksen mittauksella, joten tällaiset menetelmät ovat kunnon määrityksen suorittamisen osalta työläitä, hankalia ja kalliita järjestää. Keskimääräistä sydämen leposykettä on pidetty yhtenä kunnon mittarina, mutta se ei anna luotettavia tuloksia, koska 20 leposykkeen korrelaatio esimerkiksi maksimaaliseen hapenottokykyyn on vain luokkaa 0,4-0,45. Myöskään muilla sydämen sykeparametreilla ei saavuteta parempia korrelaatioita maksimaaliseen hapenottokykyyn.15 in the Cooper test, which measures the distance traveled in 12 minutes. In both known methods, fitness measurement is performed by active performance measurement, so such methods are cumbersome, cumbersome, and costly to perform. Average resting heart rate has been considered as one measure of fitness, but it does not give reliable results because the correlation of 20 resting heart rates, for example, to maximal oxygen uptake is only in the order of 0.4-0.45. Other heart rate parameters also do not achieve better correlation with maximal oxygen uptake.
Tämän keksinnön tarkoituksena on tuoda esiin uudentyyppinen menetelmä, joka välttää tunnettuihin ratkaisuihin liittyvät ongelmat.It is an object of the present invention to provide a novel type of method which avoids the problems associated with known solutions.
... 25 Tämä tarkoitus saavutetaan keksinnön mukaisella menetelmällä, jolle on tunnusomaista, että menetelmässä käytetään neuroverkkorakenteen avulla saatua laskentakaavaa, johon syötetään mitattavaa kohdetta kuvaavia sisääntu-loparametreja, sisääntuloparametrien ainakin käsittäessä yhden tai useampia seuraavista fysiologisista parametreista kuten sukupuoli, ikä, pituus, paino, ja 30 josta laskentakaavasta tuloksena saadaan mitattavan kohteen kuntoa kuvaava .. yksi tai useampi ulostuloparametri, laskentakaavan muodostamisessa käytetyn neuroverkkorakenteen ollessa opetettu riittävän suurella määrällä todellisia mittaustuloksia, jotka käsittävät vastaavanlaisia sisääntuloparametreja ja yhden tai useamman vastaavanlaisen ulostuloparametrin.This object is achieved by the method of the invention, characterized in that the method employs a neural network structure calculation formula to which input parameters describing the object to be measured are input, the input parameters comprising at least one or more of the following physiological parameters such as sex, age, weight, and 30 which results in a calculation formula to represent the condition of the object to be measured. one or more output parameters, the neural network structure used to formulate the calculation formula is trained with a sufficient number of actual measurement results comprising similar input parameters and one or more similar output parameters.
35 Menetelmässä laskentakaavan sisääntuloparametrina fysiologisten parametrien lisäksi käytetään sydämen leposykkeestä mitattua yhtä tai useam- 111514 2 paa leposykeparametria, ja joka menetelmä on sellainen, että siinä sisääntulo-parametreiksi määritetään yksi tai useampi seuraavista leposykeparametreista kuten keskimääräinen sykeaikaväli, sykeaikavälien keskihajonta, maksimi syke-aikaväli, ja laskennan tuloksena saadaan ulostuloparametrina sisääntulopara-5 metrejä vastaava maksimaalisen hapenottokyvyn arvo ja/tai hapenottokykyä kuvaava kuntoluokitus tai muu vastaava fyysistä kuntoa kuvaava arvo.The method uses, in addition to physiological parameters, one or more resting heart rate parameters measured from resting heart rate as the input parameter of the formula, which method defines one or more of the following resting heart rate parameters, heart rate, heart rate, heart rate, the result of the calculation is an output parameter of maximal oxygen uptake and / or a fitness rating or other equivalent physical fitness value corresponding to an input parameter of 5 meters.
Tämä tarkoitus saavutetaan keksinnön mukaisella menetelmällä, jolle on tunnusomaista, että menetelmässä käytetään ennalta määrättyä laskentakaavaa, johon syötetään mitattavaa kohdetta kuvaavia fysiologisia sisääntulopa-10 rametreja, sisääntuloparametrien ainakin käsittäessä yhden tai useampia seuraavista fysiologisista parametreista kuten sukupuoli, ikä, pituus, paino, ja josta laskentakaavasta tuloksena saadaan mitattavan kohteen kuntoa kuvaava yksi tai useampi ulostuloparametri.This object is achieved by the method of the invention, characterized in that the method employs a predetermined calculation formula fed with physiological input parameters describing the subject to be measured, the input parameters comprising at least one or more of the following physiological parameters such as sex, age, weight, weight, the result is one or more output parameters describing the condition of the object being measured.
Menetelmässä laskentakaavan sisääntuloparametrina fysiologisten 15 parametrien lisäksi käytetään sydämen leposykkeestä mitattua yhtä tai useampaa leposykeparametria, ja joka menetelmä on sellainen, että siinä sisääntulo-parametreiksi määritetään yksi tai useampi seuraavista leposykeparametreista kuten keskimääräinen sykeaikaväli, sykeaikavälien keskihajonta, maksimi syke-aikaväli, ja laskennan tuloksena saadaan ulostuloparametrina sisääntulopara-20 metrejä vastaava maksimaalisen hapenottokyvyn arvo ja/tai hapenottokykyä kuvaava kuntoluokitus tai muu vastaava fyysistä kuntoa kuvaava arvo.The method uses one or more resting heart rate parameters as the input parameter of the formula, in addition to physiological parameters, and defining the input parameters as one or more of the following resting heart rate parameters, such as mean heart rate, heart rate, the maximum oxygen uptake value corresponding to an input of 20 meters and / or a fitness rating or other equivalent physical fitness value.
Keksinnön kohteena olevalle laitteelle on tunnusomaista, että laite käsittää välineet sydämen leposykkeen detektoimiseksi ja lähettämiseksi laitteen lisäksi käsittämälle laskentayksikölle, ja että laite käsittää välineet mitattavaa 25 kohdetta kuvaavien fysiologisten sisääntuloparametrien syöttämiseen laskentayksikölle kuntoa kuten maksimaalista hapenottokykyä, kuntoluokitusta tai muuta vastaavaa fyysisen kunnon indikaattoria esittävän ulostulosuureen laskemiseksi fysiologisten piirteiden ja laskentayksikköön myöskin syötetyn leposyke-tiedon perusteella, ja välineet kuten näytön ja/tai muistin laskennan tuloksena 30 saadun fyysisen kunnon ilmoittamiseksi ja/tai tallentamiseksi, ja että laite, käsittää välineet, joilla leposykkeestä määritetään sisääntuloparametreiksi yksi tai useampi seuraavista leposykeparametreista kuten keskimääräinen sykeaikaväli, sykeaikavälien keskihajonta, maksimi sykeaikaväli.The device of the invention is characterized in that the device comprises means for detecting and transmitting a cardiac resting heart rate unit to a computing unit comprising the device, and means for entering physiological and means for indicating and / or storing the physical condition resulting from computing the display and / or memory 30, and the device comprising means for determining one or more of the following resting heart rate parameters, such as average heart rate, as input parameters standard deviation of heart rate intervals, maximum heart rate interval.
Keksinnön mukainen menetelmä ja laite perustuu siihen ajatukseen, 35 että käytetään sisääntulotietona leposykkeen parametreja, ja käytetään edullisimmin neuroverkon avulla ennalta määritettyä laskentakaavaa, johon tulotie- 3 111514 doiksi syötetään leposykeparametrit ja ihmisen fyysiset parametrit ja lasketaan ulostulotietona maksimaalinen hapenottokyky, joka kuvaa ihmisen fyysistä kuntoa. Laskentakaavan muodostuksessa käytetty neuroverkko on opetettu vastaavilla tiedoilla käyttäen laajaa todellista mittausaineistoa. Mittaustietona tarvitaan 5 henkilön sydämen sykkeen ja sykevariaation eri parametreja muutaman minuutin ajalta mitattuna ja näiden sykkeestä saatujen parametrien lisäksi hyödynnetään henkilön fyysisiä mittaparametreja, esimerkiksi painoa, pituutta, ikää ja sukupuolta. Leposykkeestä mitatut tiedot ja henkilön esitiedot annetaan laskentakaavaan syöttötiedoiksi. Neuroverkolla laskentakaavaa määritettäessä on edulli-10 simmin sumean logiikan avulla tehty lisäksi erilaisia sääntöjä eli sumeutettu eri muuttujien tai muuttujakombinaatioiden vaikutusta lopputulokseen eli kuntoluok-kaan. Neuroverkon avulla määritetty laskentakaava laskee opetusaineiston perusteella saatujen painotusten mukaan uusista syöttötiedoista henkilön maksimaalisen hapenottokyvyn ja määrittää vastaavan kuntoluokan.The method and apparatus of the invention are based on the idea of using resting heart rate parameters as input data, and most preferably employing a neural network predefined calculation formula into which resting heart rate parameters and human physical parameters are input as input data and calculating output information for maximal oxygen uptake. The neural network used in computing the formula has been taught with similar data using a wide array of real measurement data. Measurement data requires different parameters of the heart rate and heart rate variation of a 5 person measured over a few minutes, and in addition to these heart rate parameters, the physical parameters of the person, such as weight, height, age and sex, are utilized. Data measured from resting heart rate and a person's Prerequisites are given as input data in the calculation formula. In addition, when calculating the formula of the neural network, preferably, by the simplest fuzzy logic, different rules have been made, i.e., the effect of different variables or combinations of variables on the end result, i.e. fitness class, has been blurred. The neural network-based calculation formula calculates the maximal oxygen uptake of a person from the new input data and determines the corresponding fitness class based on the weightings obtained from the training material.
15 Neuroverkot ovat sinänsä tunnettuja, ja niitä on aiemmin käytetty esimerkiksi sen mittaamiseen, mikä on potilaan terveydentila, henkilön saaman infarktin vakavuusaste, vanhojen ihmisten kuolleisuusriski tai mikä on henkilön verenpaine. Tällaisia ratkaisuja on esitetty mm. julkaisussa EP-555591.15 Neural networks are known per se and have previously been used, for example, to measure a patient's state of health, the severity of a person's infarction, the risk of mortality in the elderly, or a person's blood pressure. Such solutions have been presented e.g. in EP-555591.
Keksinnön mukaisella menetelmällä saavutetaan useita etuja. Kek-20 sinnön mukainen menetelmä on erittäin tarkka, yksinkertainen, kustannuksiltaan edullinen, ja helposti suoritettavissa oleva tapa fyysisen kunnon mittaamiseen. Keksinnön mukainen menetelmä on erityisen käyttökelpoinen kunnon testaukseen ja määritykseen esimerkiksi tavallisille kuntoilijoille, sillä leposykkeen muutaman minuutin nauhoitus ja fyysisten parametrien selvittäminen ja syöttö tarvit-... 25 tavaan mittauslaitteeseen on helppo suorittaa kotona, koska mitään rasitustestiä ei tarvitse suorittaa. Keksinnön mukaista uutta, tarkkaa ja helppoa menetelmää voidaan myös käyttää urheilijoilla kunnon muutoksen seuraamiseen. Tarkemmat suorat testit voidaan tehdä referenssinä harvemmin. Keksinnön mukainen menetelmä säästää myös kustannuksia, jotka suorassa testissä ovat huomattavat.The process according to the invention achieves several advantages. The method of the Kek-20 invention is a highly accurate, simple, inexpensive, and easy-to-perform way of measuring physical fitness. The method according to the invention is particularly useful for fitness testing and determination, for example, for ordinary fitness practitioners, since recording a few minutes of resting heart rate and determining and feeding physical parameters to a required measuring device is easy at home since no stress test is required. The novel, accurate, and easy method of the invention can also be used by athletes to track fitness changes. More accurate direct tests can be done as a reference less frequently. The method of the invention also saves costs, which in a direct test are considerable.
30 Keksinnön mukaisella tavalla on saavutettu tulokseksi jopa 0,97 luokkaa oleva korrelaatio leposykkeestä mitatun ja keksinnön mukaisella neuroverkkopoh-jaisella laskentakaavalla lasketun maksimaalisen hapenottokyvyn ja toisaalta suoralla menetelmällä mitatun hapenottokyvyn välillä. Keksinnön avulla voidaan siis luotettavasti ja helposti ilman maksimaalista rasitusta määrittää henkilön fyy-35 sinen kunto ja suorituskyky. Keksinnön mukainen menetelmä voidaan toteuttaa 4 111514 esimerkiksi ranteessa pidettävän sykemittarin, terveyskellon, tai muun vastaavan laitteen yhteydessä.In the manner according to the invention, a correlation of up to 0.97 between the maximum oxygen uptake capacity measured from resting heart rate and calculated by the neural network based calculation formula according to the invention and the oxygen uptake capacity measured by a direct method has been achieved. Thus, the invention can reliably and easily determine the physical condition and performance of a person without maximum strain. The method according to the invention may be implemented in conjunction with, for example, a heart rate monitor, a health watch, or the like.
Keksintöä selitetään seuraavassa lähemmin viitaten oheisiin piirustuksiin, joissa 5 kuvio 1 esittää neuroverkkorakennetta graafisesti esitettynä kuvio 2 esittää neuroverkkorakennetta matriisimuodossa kuvio 3 esittää fyysisen kunnon laskentakaavan määrityksessä käytettyä erästä neuroverkkorakennetta kuvio 4 esittää jäsenyysfunktiota sumeassa joukossa 10 kuvio 5 esittää neuroverkkorakenteen ja siihen syötetyn laajan koeai- neiston perusteella määritettyjä kerroin- ja biasmatriiseja kuvio 6 esittää menetelmää soveltavaa laiteratkaisua kuvio 7 esittää sydämen leposykettä, kuvio 8 esittää laitetta ihmisen käyttämänä.Figure 2 shows a neural network structure in matrix form Figure 2 shows a neural network structure used to determine a physical fitness calculation formula the determined coefficient and bias matrices Figure 6 shows a device solution applying the method Figure 7 shows the resting heart rate, Figure 8 shows the device for human use.
15 Kuviossa 7 on esitetty tyypillistä sydänsykkeen aiheuttamaa EKG-sig- naalia. Kustakin signaalista on tarkalla mittauksella tunnistettavissa P-, Q-, R-, S-, T- ja U-aallot. R-aalto muodostuu sydämen kammioiden polarisaatioista ja yleensä edustaa huippuarvoa. Huippuarvo R edustaa EKG-signaalin maksimi-kohtaa ja väli R-R edustaa sykeväliä. Syke voidaan mitata painepulssista tai op-20 tisesti.Figure 7 shows a typical ECG signal produced by the heart rate. For each signal, P, Q, R, S, T, and U waves can be accurately detected. The R wave is made up of polarizations of the ventricles of the heart and generally represents a peak value. The peak R represents the peak of the ECG signal and the interval R-R represents the heart rate range. The heart rate can be measured by pressure pulse or optically.
Kuviossa 6 on esitetty esimerkki keksinnössä sovellettavasta syke-mittarilaitteistosta, edullisesti sykemittari siis muodostuu tutkittavan henkilön rinnan kohdalle kiinnitettävästä sykelähettimestä A ja sykesignaaleja langattomasi! vastaanottavasta vastaanottimesta B, johon on sisällytetty sykemittaus- ja ana-25 lysointitoiminnot. Tarkemmin ottaen eräs esimerkkilaitteisto kuviossa 6 muodostuu toisaalta lähettimestä A, johon kuuluu EKG-esivahvistin 1, johon sydänsykkeen tunnistavat elektrodit 1a, 1b on kytketty. Esivahvistimen 1 signaali vahvistetaan AGC-vahvistimessa 2 ja edelleen tehovahvistimessa 3, jossa aikaansaadaan käämejä 4 ohjaava sykesignaali, jonka pulssien välinen aikaväli sig-30 naalissa on sama kuin sydänsykkeiden aikaväli. Käämeihin 4 generoituu siten • · .. sydänsykkeen tahdissa vaihteleva magneettikenttä. Lähetinkelan 4 aiheuttama magneettikenttä ilmaistaan laitteiston toisen osan muodostavan vastaanottimen B kelalla 5. Vastaanotettu signaali vahvistetaan vastaavalla tavalla kuin lähetti-messä vahvistinpiirien 6 ja 7 avulla. Vahvistettu signaali johdetaan mikroproses-35 soriin 8, joka laskee sykesignaalista haluttuja asioita. Mikroprosessoriin on liitetty 5 111514 muisti 9 ja näyttölaite 10. Näiltä osin laite on samanlainen kuin tunnetut sykemittarit.Fig. 6 shows an example of a heart rate monitor apparatus applicable in the invention, so preferably the heart rate monitor consists of a heart rate transmitter A attached to the subject's chest and heart rate signals on your wireless device! receiving receiver B, which includes heart rate measurement and analysis functions. More specifically, one exemplary apparatus in Figure 6 consists, on the other hand, of a transmitter A having an ECG preamplifier 1 to which the heart rate sensing electrodes 1a, 1b are connected. The signal of the preamplifier 1 is amplified in the AGC amplifier 2 and further in the power amplifier 3 which provides a pulse signal controlling the coils 4 having a pulse interval in the sig-30 signal equal to the heart rate interval. The coils 4 thus generate a magnetic field of varying • · .. heart rate. The magnetic field caused by the transmitter coil 4 is detected by the coil 5 of the receiver B constituting the second part of the apparatus, and the received signal is amplified in a similar manner to the transmitter by means of amplifier circuits 6 and 7. The amplified signal is applied to the microprocessor-35 grid 8 which calculates the desired things from the heart rate signal. The microprocessor is provided with 5,111,514 memory 9 and a display device 10. In this respect, the device is similar to known heart rate monitors.
Kuviossa 6 uutena piirteenä laitteessa on että se käsittää laskentayksikön 200 ja syöttövälineet 201. Käytännön toteutus voi olla sellainen, että las-5 kentayksikkö 201 on toteutettu mikroprosessorin ohjelmana. Laskentayksikköön 200 syötetään sisääntuloparametreiksi toisaalta mikroprosessorin 8 laskemia leposykkeen parametreja, ja toisaalta syöttövälineillä 201 henkilö syöttää laskentayksikköön 200 muiksi sisääntuloparametreiksi henkilöä kuvaavia fysiologisia sisääntuloparametreja, esimerkiksi sukupuoli, ikä, pituus, paino.6, a new feature of the device is that it comprises a computing unit 200 and an input means 201. The practical implementation may be such that the computing unit 201 is implemented as a microprocessor program. The calculating unit 200 is supplied with input parameters calculated by the microprocessor 8 as input parameters, and on the other hand, with the input means 201, the personal input physiological input parameters such as sex, age, weight, etc. are input to the calculating unit 200 as other input parameters.
10 Keksinnön kohteena on siis menetelmä mitattavan kohteen fyysisen kunnon eli edullisimmin nimenomaan ihmisen fyysisen kunnon mittaamiseksi. Menetelmässä käytetään ennalta määrättyä laskentakaavaa laskentayksikössä 200, johon syötetään mitattavaa kohdetta kuvaavia fysiologisia sisääntuloparametreja, mainittujen sisääntuloparametrien ainakin käsittäessä yhden tai use-15 ampia seuraavista fysiologisista parametreista kuten sukupuoli, ikä, pituus, paino, ja josta laskentakaavasta tuloksena saadaan mitattavan kohteen kuntoa kuvaava yksi tai useampi ulostuloparametri kuten maksimaalinen hapenottokyky. Keksinnön mukaisesti on menetelmä sellainen, että laskentakaavan sisääntulo-parametrina fysiologisten parametrien lisäksi käytetään sydämen leposykkeestä 20 mitattua yhtä tai useampaa leposykeparametria. Laskentakaava on toteutettu kuviossa 6 laskentayksiköllä 200, joka voi olla integroitu sykemittarin B mikroprosessorin 8 ohjelmaksi.The invention thus relates to a method for measuring the physical condition of a subject to be measured, most preferably specifically the physical condition of a human being. The method employs a predetermined formula in a unit of account 200 to which the physiological input parameters describing the subject to be measured are fed, said input parameters comprising at least one or more of 15 physiological parameters such as sex, age, height, weight, or more output parameter such as maximal oxygen uptake. According to the invention, the method is such that one or more resting heart rate parameters measured from cardiac resting heart rate 20 are used as the input parameter of the calculation formula in addition to physiological parameters. The calculation formula is implemented in FIG. 6 by a calculation unit 200 which may be integrated into a program of the microprocessor 8 of the heart rate monitor B.
Keksinnön edullisessa toteutusmuodossa on menetelmä sellainen, että leposykettä mitataan muutaman minuutin pituisen ajan verran, edullisimmin ... 25 2-5 minuutin pituisen ajan verran. Mittaus on toisaalta helppo suorittaa, mutta toisaalta se on riittävän pitkä, jotta mittauksesta saadaan luotettava, kun sykeva-riaatiosta saadaan tietoa.In a preferred embodiment of the invention, the method is such that resting heart rate is measured over a period of a few minutes, most preferably ... over a period of 2 to 5 minutes. On the one hand, the measurement is easy to perform, but on the other hand, it is long enough to provide reliable measurement when information on heart rate variation is obtained.
Leposykkeestä määritetään sisääntuloparametreiksi yksi tai useampi seuraavista leposykeparametreista kuten keskimääräinen sykeaikaväli, sykeai-30 kavälien keskihajonta, maksimi keskisykeaikaväli. Nämä parametrit voidaan laskea esimerkiksi sykemittarin vastaanotinosan B mikroprosessorissa 8.From the resting heart rate, the input parameters are defined as one or more of the following resting heart rate parameters, such as mean heart rate interval, standard deviation of heart rate intervals, maximum average heart rate interval. These parameters can be calculated, for example, in the microprocessor 8 of the receiver part B of the heart rate monitor.
Keksinnön edullisessa toteutusmuodossa on menetelmä sellainen, että sisääntuloparametreja yhdistämällä muodostetaan yksi tai useampia si-sääntuloparametrikombinaatioita. Eräitä hyväksi havaittuja sisääntuloparametre-35 ja on esitetty taulukossa 1.In a preferred embodiment of the invention, the method is such that one or more input parameter combinations are formed by combining the input parameters. Some well-known input parameter-35 and are shown in Table 1.
6 1115146, 111514
Taulukko 1: Menetelmässä käytettyjä piirteitä eli sisääntuloparametrejaTable 1: Input parameters used in the method
Piirre Selitys 5 Ikä Testattavan henkilön ikä vuoden tarkkuudellaFeature Explanation 5 Age The age of the person being tested, to the nearest year
Sukupuoli Testattavan henkilön sukupuoliGender The sex of the person being tested
Paino Testattavan henkilön paino 0,2 kg:n tarkkuudellaWeight Weight of the test subject to the nearest 0,2 kg
Pituus Testattavan henkilön pituus 1 cm:n tarkkuudellaLength The length of the test subject to within 1 cm
Fuzzy_1 Jäsenyysfunktion arvo sumeassa joukossa 'vanhemmat ih- 10 miset'Fuzzy_1 Value of membership function in fuzzy set 'older people'
Fuzzy_2 Jäsenyysfunktion arvo joukossa 'ei-keskipainoiset ihmiset'Fuzzy_2 Value of membership function among 'non-middleweight people'
Fuzzy_3 Jäsenyysfunktion arvo joukossa 'keskimääräisesti suuret sy- keaikavälit'Fuzzy_3 Value of membership function among 'average long heart rate intervals'
Low_ave_3 Keskiarvoistettu maksimaalinen hengityksen modulointi sy- 15 ketaajuuteen PRC99 Sykevälihistogrammin kertymä-arvo (percentage) 99% koh dallaLow_ave_3 Mean maximal respiratory modulation to heart rate PRC99 Percentage histogram accumulation value (percentage) at 99%
Max Maksimi sykeaikaväliMax Maximum heart rate interval
Mean Keskimääräinen sykeaikaväli 20 SDev Sykeaikavälien keskihajontaMean Mean heart rate interval 20 SDev Standard deviation of heart rate intervals
Taulukkoon 1 viitaten, todetaan, että menetelmässä sumean logiikan avulla muodostetaan lisäksi yksi tai useampia erilaisia sääntöjä, joilla yhden tai useamman sisääntuloparametrin ja/tai yhden tai useamman sisääntuloparamet-... 25 rikombinaation vaikutusta ulostuloparametriin eli kuntoa kuvaavaan maksimaali seen hapenottokykyyn sumeutetaan. Maksimaalisen hapenottokyvyn yksikkönä voidaan käyttää yksikköä litraa minuutissa (l/min) ja/tai millilitraa minuutissa painokiloa kohden (ml/kg/min).Referring to Table 1, it is noted that the method further generates, by means of fuzzy logic, one or more different rules for attenuating the effect of one or more input parameters and / or one or more input parameters on the output parameter, i.e., maximal oxygen uptake. The unit of maximum oxygen uptake may be the unit liters per minute (l / min) and / or milliliters per minute per kilogram of body weight (ml / kg / min).
Keksinnön edullisessa toteutusmuodossa kuvioon 3 viitaten mene-30 telmä käsittää esiluokittelun ja sen jälkeisen varsinaisen laskennan. Mainitussa .. edullisessa toteutusmuodossa on menetelmä sellainen, että yhden tai useam man fysiologisen sisääntuloparametrin avulla suoritetaan esiluokittelu, jossa haetaan mahdollinen ratkaisualue, jolla laskettavaksi halutun ulostuloparametrin arvon arvioidaan olevan, ja että varsinaisessa laskentavaiheessa lisäksi käyte-35 tään leposykkeen sisääntuloparametreja, jolloin laskentavaiheessa leposykkeen 7 111514 sisääntuloparametrien perusteella siirretään mitattavan kohteen fyysistä kunto kuvaavan ulostuloparametrin arvo kohti oikeaa arvoa.In a preferred embodiment of the invention, with reference to Figure 3, the method comprises pre-classification and subsequent actual calculation. In said. based on the input parameters, the value of the output parameter describing the physical condition of the object being measured is shifted towards the correct value.
Keksinnön edullisessa toteutusmuodossa esiluokittelussa käytetään fysiologisten sisääntuloparametrien lisäksi myös yhtä tai useampaa sumeutettua 5 sisääntuloparametria. Tätä asiaa havainnollistaa kuvio 4, joka esittää jäsenyys-funktiota sumeassa joukossa "vanhat". Kuviossa 4 on esitetty graafisesti sumean logiikan käsite jäsenyysfunktio. Jäsenyysfunktio ilmaisee, kuinka suurella osuudella tässä esimerkissä tietynikäinen ihminen kuuluu joukkoon vanhat. Sumea logiikka edustaa ajattelutapaa, jossa tietty joukkoon kuuluvuus on jatkuva 10 käsite. Keski-ikäinen ihminen kuuluu osaksi joukkoon nuoret ja osaksi joukkoon vanhat. Sumeaa logiikkaa käyttäen on muodostettu sykeparametreista ja henkilön painosta, pituudesta, iästä ja sukupuolesta uusia parametreja eli piirteitä syötevektoriin VR, joka havaitaan kuviossa 2. Syötevektori VR koostuu taulukossa 1 esiintyvistä sisääntuloparametreista.In a preferred embodiment of the invention, in addition to the physiological input parameters, one or more nebulized input parameters are used in the pre-classification. This is illustrated in Figure 4, which shows the membership function in a fuzzy set of "old". Figure 4 graphically illustrates the concept of membership function in fuzzy logic. The membership function expresses the proportion of a person of a certain age in this example that is old. Fuzzy logic represents a mindset where a certain set of membership is a continuous concept. Middle-aged people are partly young and partly old. Using fuzzy logic, new parameters, or features, of the heart rate parameters and the person's weight, height, age, and sex have been generated, which is seen in Figure 2. The input vector VR consists of the input parameters in Table 1.
15 Koska kyseessä on ihmisen fyysisen kunnon mittaus, niin tällöin edul lisessa toteutusmuodossa on menetelmä sellainen, että laskennan tuloksena saadaan ulostuloparametrina sisääntuloparametreja vastaava maksimaalisen hapenottokyvyn arvo ja/tai hapenottokykyä kuvaava kuntoluokitus tai muu vastaava fyysistä kuntoa kuvaava arvo.15 As it is a measurement of a person's physical condition, in a preferred embodiment the method is such that the result of the computation results in a maximum oxygen uptake value and / or a fitness rating or other equivalent physical fitness value corresponding to the input parameters.
20 Keksinnön edullisessa toteutusmuodossa laskentakaavassa käyte tään tunnettua kokemusperäistä tietoa, ja että kokemusperäinen tieto on yhdistetty laskentakaavaan sumeiden sääntöjen mukaisesti.In a preferred embodiment of the invention, the computational formula utilizes known empirical information, and that the empirical information is combined with the computational formula in accordance with fuzzy rules.
Keksinnön edullisessa toteutusmuodossa kokemusperäisenä tietona käytetään yhtä tai useampaa seuraavista tiedoista; "todennäköisesti vanhem-... 25 maila ihmisellä on heikompi kunto", "henkilön paino korreloi henkilön kuntoon parhaiten henkilöryhmässä ei keskipainoiset", "henkilöllä, jolla on suuri keskimääräinen sykeaikaväli, on todennäköisesti hyvä kunto".In a preferred embodiment of the invention, one or more of the following information is used as empirical information; "probably a parent -... 25 clubs a person is in a weaker condition", "a person's weight correlates best with a person's condition in a non-moderate group", "a person with a high average heart rate interval is likely to be in good shape".
Keksinnön edullisessa toteutusmuodossa menetelmää toteutetaan laskentayksiköllä 200, ja että tämä menetelmään toteuttava laskentayksikkö 200 30 on integroidu sykemittariin B eli vastaanotinrannekkeeseen B.In a preferred embodiment of the invention, the method is implemented by a calculating unit 200, and that the calculating unit 200 30 implementing the method is integrated with a heart rate monitor B, i.e. a receiver bracelet B.
... Keksinnön edullisessa toteutusmuodossa menetelmää toteuttava laskentayksikkö 200 on integroitu sykemittariin B tai muuhun laitteeseen, ja että mainitun sykemittarin B tai muun laitteen yhteydessä olevilla tai siihen langattomassa tai kontaktillisessa yhteydessä olevilla mittausvälineillä A, 1-4 mitataan 35 leposyke, ja että tämän mainitun sykemittarin B tai muun vastaavan laitteen käsittämään mainittuun laskentayksikköön 200 syötetään fysiologiset sisääntulo- 8 111514 parametrit sukupuoli, ikä, pituus, paino mainitun sykemittarin B tai muun vastaavan laitteen yhteydessä olevilla tai siihen langattomassa tai kontaktillisessa yhteydessä olevilla syöttövälineillä 201, ja että laskennan tulos näytetään näytöllä 10 ja/tai tallennetaan muistiin 9 kuvion 6 mukaisesti. Keksinnön edullisessa to-5 teutusmuodossa laskennan tulos näytetään mainitun sykemittarin B tai muun laitteen käsittämällä näytöllä 10.... In a preferred embodiment of the invention, the method calculating unit 200 is integrated with a heart rate monitor B or other device, and measuring means A, 1-4 associated with said heart rate monitor B or other device, or wirelessly or contactingly connected thereto, and said heart rate monitor Said computing unit 200 comprising B or other similar device is provided with physiological input parameters gender, age, height, weight by input means 201 connected to said heart rate monitor B or similar device or wirelessly or contacted therewith, and displaying the result of the calculation on display 10 and / or stored in memory 9 according to Figure 6. In a preferred embodiment of the invention, the result of the calculation is displayed on a display 10 comprising said heart rate monitor B or other device.
Keksinnön edullisessa toteutusmuodossa tämä mainittu sykemittari tai muu laite on ihmisen ranteessa pidettävä sykemittari tai muu laite B.In a preferred embodiment of the invention, said heart rate monitor or other device is a human heart rate monitor or other device B.
Sykemittausvälineet A, 1-4 voivat olla kuten kuviossa 6 eli langatto-10 massa esimerkiksi telemetrisessä yhteydessä sykemittariin B, mutta ne voisivat olla myös sykemittarin B kotelossa tai muutoin langallisessa tai muutoin kontaktillisessa yhteydessä sykemittariin B eli vastaanotinosaan B.The heart rate measuring means A, 1-4 may be as in Figure 6, i.e. the wireless 10 mass, for example in telemetric connection with the heart rate monitor B, but could also be in the housing of the heart rate monitor B or otherwise wired or otherwise in contact with the heart rate monitor B.
Fysiologisten sisääntuloparametrien kuten sukupuoli, ikä, pituus, paino syöttövälineet 201 puolestaan myös voivat olla kuten kuviossa 6 eli langalli-15 sessa tai muutoin kontaktillisessa yhteydessä sykemittariin B sykemittarin B kotelossa, mutta ne voisivat olla myös muulla tavalla toteutettu. Syöttövälineiden 201 integrointi sykemittarin vastaanotto-osan B yhteyteen on hakijan havaintojen mukaan yksinkertaisin ja luotettavin tapa.In turn, the physiological input parameters such as sex, age, height, weight input means 201 may also be as in Figure 6, i.e. wired or otherwise in contact with the heart rate monitor B in the heart rate monitor case B, but could also be implemented in other ways. The integration of the input means 201 with the heart rate monitor receiving part B is, according to the applicant, the simplest and most reliable way.
Keksinnössä edullisessa toteutusmuodossa hyödynnetään kuviossa 20 3 esitettyä neuroverkkorakennetta NN (Neural Network). Tällöin menetelmä keksinnön edullisessa toteutusmuodossa sellainen, että menetelmässä käytetään neuroverkkorakenteen NN avulla saatua laskentakaavaa, johon syötetään mitattavaa kohdetta kuvaavia sisääntuloparametreja. Sisääntuloparametrit ainakin käsittävät yhden tai useampia seuraavista fysiologisista parametreista kuten ... 25 sukupuoli, ikä, pituus, paino, ja josta laskentakaavasta tuloksena saadaan mitat tavan kohteen kuntoa kuvaava yksi tai useampi ulostuloparametri. Laskentakaavan muodostamisessa käytetty neuroverkkorakenne NN on opetettu riittävän suurella määrällä todellisia mittaustuloksia, esimerkiksi 200 koehenkilön kliinisillä mittaustuloksilla, jotka käsittävät vastaavanlaisia sisääntuloparametreja ja yhden 30 tai useamman vastaavanlaisen ulostuloparametrin kuin mitä laskentayksikkö ... 200 käyttää laskennassaan. Keksinnön mukaisesti laskentakaavan sisääntulo- parametrina fysiologisten parametrien lisäksi käytetään sydämen leposykkeestä mitattua yhtä tai useampaa leposykeparametria. Laskentakaavan muodostamisessa käytetyn neuroverkon NN opetuksessa on käytetty vastaavanlaisia le-35 posykeparametreja.A preferred embodiment of the invention utilizes the neural network structure NN shown in FIG. Thereby, in a preferred embodiment of the invention, the method uses a calculation formula obtained by the neural network structure NN to which input parameters describing the object to be measured are fed. The input parameters at least comprise one or more of the following physiological parameters, such as ... 25 sex, age, height, weight, and from which the calculation formula results in one or more output parameters describing the condition of the object being measured. The neural network structure NN used to construct the calculation formula is trained with a sufficient number of actual measurement results, for example, clinical measurements of 200 subjects comprising input parameters and one or more 30 or more similar output parameters used by the calculation unit ... 200. According to the invention, one or more resting heart rate parameters measured from cardiac resting heart rate are used as the input parameter of the computational formula in addition to physiological parameters. In teaching the neural network NN used to compute the formula, similar le-35 posture parameters have been used.
9 1115149 111514
Neuroverkon NN käyttöön liittyvä edullinen toteutusmuoto on sellainen, että menetelmässä käytetään sellaista laskentakaavaa, joka on saatu aikaan realisoimalla laskentakaavan muodostuksessa käytetyn neuroverkkora-kenteen NN opetuksen tuloksena saadut laskentamatriisit.A preferred embodiment associated with the use of the neural network NN is that the method employs a computational formula obtained by realizing the computational matrices obtained as a result of the training of the neural network structure NN used to compute the computational formula.
5 Neuroverkkorakenteen opetuksen tuloksena saadut laskentamatriisit on realisoitu laskentakaavaksi tunnettuja aktivaatiofunktioita, ja kerto- ja yhteenlaskua käyttäen.5 The computational matrices obtained as a result of the training of the neural network structure have been realized using the activation functions known as computation formulas, and multiplication and addition.
Kuvioihin 1-3 erityisesti viitaten todetaan, että neuraaliverkko NN koostuu tulokerroksesta (input layer), lähtökerroksesta (output layer) sekä piilo-10 kerroksista (hidden layer). Solmupisteitä (neuron) voi olla kussakin kerroksessa useita. Jokainen soluparametri muodostaa yhden tulosolmun tulokerroksessa. Lähtökerroksessa on niin monta solmupistettä kuin on lähtömuuttujia. Välikerroksen solmujen määrä riippuu verkon rakenteesta. Verkon solmupisteiden signaalit saadaan laskemalla edellisen kerroksen muuttujista/solmuista yhdistele-15 mällä lineaarisia tai epälineaarisia aktivaatiofunktioita käyttäen.With particular reference to Figures 1-3, it is noted that the neural network NN consists of an input layer, an output layer, and a hidden layer (Hidden layer). There may be several nodes (Neuron) on each floor. Each cell parameter forms one result node in the input layer. There are as many nodes in the output layer as there are output variables. The number of nodes in the middle layer depends on the structure of the network. Signals of the network nodes are obtained by computing the variables / nodes of the previous layer using linear or nonlinear activation functions.
Kuviossa 1 on esitetty yksinkertainen neuroverkkorakenne NN. Rakenne sisältää tulokerroksen, yhden piilokerroksen ja lähtökerroksen. Tulokerroksessa on kolme solua, jotka eivät ole neuroneita, vaan kuvastavat syötevek-torin arvoja. Piilokerroksessa on kaksi neuronia, johon tulokerroksen solut ovat 20 täydellisesti kytkettyjä. Kytkennät sisältävät painokertoimet, joilla painotetaan signaalin voimakkuutta summauksessa seuraavassa kerroksessa. Jokaiseen piilokerrokseen ja lähtökerrokseen voi liittyä biasvektori, joka tässä esityksessä on yksinkertaisuuden vuoksi jätetty pois. Kuviossa 1 on esitetty myös neuro-verkkoesimerkin algebralliset kaavat.Figure 1 shows a simple neural network structure NN. The structure includes an input layer, one hidden layer and an exit layer. The input layer has three cells that are not neurons but reflect input vector values. There are two neurons in the hidden layer to which the cells in the input layer are completely connected. The couplings include weight coefficients that weight the signal strength in the summing over the next layer. Each hidden layer and output layer may have a bias vector left out for simplicity in this presentation. Figure 1 also shows the algebraic formulas of the neural network example.
25 Kuviossa 2 neuroverkkorakenne NN on esitetty käyttäen matriisi- ja vektorikaavoja. Kuvaan on myös lisätty biasvektorit b, jotka parantavat neuroverkkorakenteen NN toimintaa. Neuraaliverkon painokertoimien määritys tapahtuu yleisiä neuraalilaskennan opetusalgoritmeja käyttäen. Verkon opetuksen tuloksena saadaan kerroinmatriisi ja biasvektori b jokaista solmukerrosta kohti.In Figure 2, the neural network structure NN is shown using matrix and vector formulas. Also included are bias vectors b, which enhance the NN function of the neural network structure. The neural network weights are determined using common neural computing instructional algorithms. The result of the network training is a coefficient matrix and a bias vector b for each node layer.
30 Neuraaliverkko voidaan tämän jälkeen realisoida matemaattisia funktioita, kertolaskua ja summausta käyttäen yksinkertaiseen ohjelmoitavaan muotoon tietokoneen ohjelmaksi.30 The neural network can then be realized using mathematical functions, multiplication, and summation in a simple programmable format into a computer program.
Jo aiemmin todettiin, että menetelmässä käytetään esiluokittelua ja sen jälkeistä varsinaista laskentaa. Mainittu jako on seurausta edullisessa toteu-35 tusmuodossa käytetystä neuroverkkorakenteesta NN kuvion 3 mukaisesti. Neuroverkkorakenne NN koostuu kahdesta osasta: esiluokittimesta ja varsinaisesta 10 111514 laskentarakenteesta. Esiluokittimessa on käytetty fysiologisia ja sumeutettuja (fuzzy) piirteitä taulukon 1 mukaisesti. Esiluokittelun etu on se, että fysiologiset piirteet rajaavat mahdollisen ratkaisualueen, eihän esim. pienellä naisella voi olla suuren miehen keuhkotilavuutta.It was previously stated that the method uses pre-classification and subsequent actual computation. Said division results from the neural network structure NN used in the preferred embodiment, as shown in Figure 3. The neural network structure NN consists of two parts: a pre-classifier and the actual 10 111514 computing structure. The pre-classifier uses physiological and fuzzy features as shown in Table 1. The advantage of pre-classification is that the physiological features delimit a possible solution area, for example a small woman cannot have a large man's lung capacity.
5 Neuroverkon NN malli on esitetty kuviossa 3, jonka tulosuureina on taulukossa 1 esitetyt piirteet. Piirteiden valinnassa on tutkittu niiden korrelaation suuruutta verrattuna mitattavaan suureeseen eli maksimaaliseen hapenottokykyyn.A model of the neural network NN is shown in Figure 3, whose input variables are those shown in Table 1. In the selection of traits, the extent of their correlation with the measurable variable, i.e., maximal oxygen uptake, has been studied.
Neuroverkon NN opetuksessa on käytetty esimerkiksi backpropagati-10 on menetelmää tai muuta sopivaa menetelmää. Tuloksena on saatu kuvion 5 mukaiset matriisimuotoiset kerroin- ja biastaulukot. Esiluokittimen matriiseilla on tunnus F ja perusrakenteen matriiseilla B. Painokerroinmatriisit tunnistaa w-indeksistä ja biasvektorit b-indeksistä. Numeroindeksi ilmoittaa kerroksen numeron. Merkintä p esittää piirteitä eli sisääntuloparametreja.The neural network NN is taught, for example, by the backpropagati-10 on method or other suitable method. As a result, the matrix coefficient and biax tables of Figure 5 are obtained. The pre-classifiers matrices have the symbol F and the basic matrix matrices B. The weight factor matrices are identified by the w index and the bias vectors by the b index. The number index indicates the floor number. The notation p represents the features, i.e. the input parameters.
15 Keksintö voidaan siis tiivistettynä esittää siten, että aluksi mitataan henkilön sydämen sykettä levossa esimerkiksi istualtaan muutaman minuutin ajan. Syketiedoista lasketaan ohjelmallisesti esimerkiksi mikroprosessorissa 8 eri syke- tai sykeväliparametreja, esimerkiksi keskisyke, keskihajonta, peräkkäisten lyöntien maksimi ja minimivälit ja/tai muita parametreja. Näitä parametreja 20 käytetään laskentayksikössä 200 syöttötietoina. Syöttövälineiltä 201 saatavia henkilön muita tietoja, kuten ikää, sukupuolta, painoa ja pituutta käytetään myös syöttötietoina laskentayksikköön 200. Edellisiä tietoja yhdistelemällä eri sääntöjä käyttäen saadaan uusia parametreja, jotka voidaan lisäksi sumeuttaa sumean logiikan avulla. Esimerkkisääntönä voi mainita esimerkiksi, että lyhyen ja paina- ... 25 van henkilön kunto tai maksimaalinen hapenottokyky ei todennäköisesti ole hy vä.Thus, the invention may be summarized by initially measuring a person's heart rate at rest, for example, for a few minutes in a sitting position. For example, in the microprocessor, different heart rate or heart rate interval parameters, such as heart rate, standard deviation, maximum and minimum successive beats and / or other parameters, are calculated from the heart rate data programmatically. These parameters 20 are used by the calculating unit 200 as input data. Other personal data such as age, sex, weight, and height from input media 201 are also used as input data to unit 200. Combining the previous data using different rules yields new parameters that can be further blurred by fuzzy logic. As a rule of thumb, for example, a person with a short and weighty ... 25 weight or maximal oxygen uptake is unlikely to be good.
Erityisesti kuvioihin 6 ja 8 viitaten todetaan, että menetelmän lisäksi keksinnön kohteena on siis myös laite A, B mitattavan kohteen fyysisen kunnon mittaamiseksi. Laite käsittää välineet 1-4 sydämen leposykkeen detektoimiseksi 30 ja lähettämiseksi laitteen lisäksi käsittämälle laskentayksikölle 8, 200. Lisäksi lai- • t .. te käsittää välineet 201 mitattavaa kohdetta kuvaavien fysiologisten sisääntulo- parametrien syöttämiseen laskentayksikölle 8, 200 kuntoa kuten maksimaalista hapenottokykyä, kuntoluokitusta tai muuta vastaavaa fyysisen kunnon indikaattoria esittävän ulostulosuureen laskemiseksi fysiologisten piirteiden ja lasken-35 tayksikköön 8, 200 myöskin syötetyn leposyketiedon perusteella. Lisäksi laite 11 111514 käsittää ja välineet 10 kuten näytön 10 ja/tai muistin 9 laskennan tuloksena saadun fyysisen kunnon ilmoittamiseksi ja/tai tallentamiseksi.With particular reference to Figures 6 and 8, it is noted that in addition to the method, the invention also relates to a device A, B for measuring the physical condition of a subject to be measured. The device comprises means 1-4 for detecting a heart resting heart rate 30 and transmitting to the computing unit 8,200 which is further comprised in the device. The device comprises means 201 for entering physiological input parameters describing the subject to be measured into the computing unit 8,200 such as maximal oxygen uptake, fitness rating or another equivalent physical fitness indicator for calculating the output quantity based on physiological features and calculating-35 units 8, 200 also based on resting heart rate data. Further, the device 11111514 comprises and means 10 for indicating and / or storing the resulting physical condition, such as a display 10 and / or a memory 9.
Keksinnön edullisessa toteutusmuodossa laite A, B käsittää lähe-tinyksikön A ja siihen telemetrisessä, optisessa tai muussa langattomassa yh-5 teydessä olevan vastaanotinyksikön B. Lähetinyksikkö A käsittää mainitut välineet 1-4 sydämen sykesignaalien detektoimiseksi ja lähettämiseksi, ja että vas-taanotinyksikkö B käsittää välineet 5 sykesignaalien vastaanottamiseksi lähe-tinyksiköltä A, ja mainitun laskentayksikön 8, 200, ja mainitut välineet 201 fysiologisten sisääntuloparametrien syöttämiseksi laskentayksikköön 8,200, ja maini-1 o tut välineet 10 laskennan tuloksen näyttämiseksi ja/tai tallentamiseksi.In a preferred embodiment of the invention, the device A, B comprises a transmitting unit A and a receiving unit B in a telemetric, optical or other wireless connection. The transmitting unit A comprises said means 1-4 for detecting and transmitting heart rate signals, and the receiving unit B comprises means 5 for receiving heart rate signals from the transmitting unit A, and said calculating unit 8, 200, and said means 201 for entering physiological input parameters into the calculating unit 8,200, and said means 10 for displaying and / or storing the result of the calculation.
Laitteena ajatellen voidaan menetelmän toteuttava laite A, B toteuttaa usealla eri tavalla, mutta hakijan havaintojen mukaan käytännöllisin ja edullisin tapa on kuvion 8 mukainen, jossa kyseessä on sykemittariranneke B. Tällöin laite ainakin laskentayksikön 8,200, fysiologisten tietojen syöttövälineiden 201 ja 15 näytön ja/tai muistin 10 osalta on integroitu sykemittarirannekkeeksi B. Laitteen lisäksi käsittämä lähetinyksikkö A on langattomassa yhteydessä sykemittariran-nekkeeseen B. Lähetinyksikön A toiminnot voi olla integroituna sykemittariran-nekkeeseen B, mikäli riittävän luotettava sykkeen mittaus saadaan aikaan esimerkiksi ranteesta. Kuviosta 8 havaitaan, että sykemittariranneke B on ihmisen 20 500 ranteessa 600, ja lähetinyksikkö A on ihmisen kehon päällä erityisesti ihmi sen 500 rinnan 700 päällä ns. elektrodivyönä.As a device, device A, B implementing the method can be implemented in many different ways, but according to the applicant, the most practical and advantageous way is according to Fig. 8, which is a heart rate monitor bracelet B. In this case, the device at least displays and / or memory In addition, the transmitter unit A encompassed by the device is wirelessly connected to the heart rate monitor bracelet B. The functions of the transmitter unit A may be integrated with the heart rate monitor wristband B if a sufficiently reliable heart rate measurement is obtained, for example, from the wrist. From Figure 8, it is seen that the heart rate monitor strap B is on a human 20,500 wrist 600, and the transmitter unit A is superimposed on a human body especially on its human 500 breast 700 so-called. electrode belt.
Keksinnön edullisessa toteutusmuodossa laite, edullisimmin laskentayksikkö 8, 200 käsittää välineet 8, joilla leposykkeestä määritetään sisääntulo-parametreiksi yksi tai useampi seuraavista leposykeparametreista kuten keski-... 25 määräinen sykeaikaväli, sykeaikavälien keskihajonta, maksimi sykeaikaväli.In a preferred embodiment of the invention, the device, most preferably, the calculating unit 8, 200 comprises means 8 for determining one or more of the following resting heart rate parameters from resting heart rate, such as a mean ... 25 heart rate interval standard deviation, maximum heart rate interval.
Keksinnön edullisessa toteutusmuodossa laskentayksikkö 200 käsittää neuroverkkorakenteella NN määritetyn laskentakaavan.In a preferred embodiment of the invention, the calculation unit 200 comprises a calculation formula defined by the neural network structure NN.
Edellä esitetyt keksinnön edulliset toteutusmuodot ja muut yksityiskohtaisemmat ratkaisut parantavat keksinnön mukaisen menetelmän tarkkuutta, 30 nopeutta ja käyttökelpoisuutta.The above preferred embodiments of the invention and other more detailed solutions improve the accuracy, speed, and usefulness of the method of the invention.
.. Laite voidaan toteuttaa myös käyttäen kannettavaa, siirrettävää tai kiinteää tietokonelaitteistoa, johon sisääntuloparametrit syötetään suoraan tai välillisesti... The device may also be implemented using portable, portable or fixed computer hardware to which the input parameters are directly or indirectly supplied.
Vaikka keksintöä on edellä selostettu viitaten oheisten piirustusten 35 mukaisiin esimerkkeihin, on selvää ettei keksintö ole rajoittunut niihin, vaan sitä 12 111514 voidaan monin tavoin muunnella oheisten patenttivaatimusten esittämän keksinnöllisen ajatuksen puitteissa.Although the invention has been described above with reference to the examples of the accompanying drawings 35, it is to be understood that the invention is not limited thereto but that it can be modified in many ways within the scope of the inventive idea set forth in the appended claims.
Claims (22)
Priority Applications (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI961148A FI111514B (en) | 1996-03-12 | 1996-03-12 | A method of measuring the physical condition of an object being measured |
| PCT/FI1997/000163 WO1997033512A1 (en) | 1996-03-12 | 1997-03-12 | Method and apparatus for measuring exertion endurance |
| DE19781642T DE19781642T1 (en) | 1996-03-12 | 1997-03-12 | Method and device for measuring endurance during exertion |
| DE19781642A DE19781642B4 (en) | 1996-03-12 | 1997-03-12 | Method for determining a value of a life to be assessed which describes the maximum oxygen uptake |
| GB9819760A GB2326240B (en) | 1996-03-12 | 1997-03-12 | Method for measuring the physical condition of a subject to be measured |
| US09/142,444 US6277080B1 (en) | 1996-03-12 | 1997-03-12 | Method and apparatus for measuring exertion endurance |
| HK99102020A HK1016857A1 (en) | 1996-03-12 | 1999-05-05 | Method for measuring the physical condition of a subject to be measured |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI961148 | 1996-03-12 | ||
| FI961148A FI111514B (en) | 1996-03-12 | 1996-03-12 | A method of measuring the physical condition of an object being measured |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| FI961148A0 FI961148A0 (en) | 1996-03-12 |
| FI961148A FI961148A (en) | 1997-12-12 |
| FI111514B true FI111514B (en) | 2003-08-15 |
Family
ID=8545638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FI961148A FI111514B (en) | 1996-03-12 | 1996-03-12 | A method of measuring the physical condition of an object being measured |
Country Status (5)
| Country | Link |
|---|---|
| DE (2) | DE19781642T1 (en) |
| FI (1) | FI111514B (en) |
| GB (1) | GB2326240B (en) |
| HK (1) | HK1016857A1 (en) |
| WO (1) | WO1997033512A1 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI112028B (en) * | 1997-05-21 | 2003-10-31 | Polar Electro Oy | Measuring device that accompanies the user in training and measures at least one signal noninvasively from his body and a method for controlling this |
| FI115289B (en) | 2000-02-23 | 2005-04-15 | Polar Electro Oy | Measurement of an organism's energy metabolism and glucose levels |
| US20070260483A1 (en) | 2006-05-08 | 2007-11-08 | Marja-Leena Nurmela | Mobile communication terminal and method |
| CN106295805A (en) * | 2016-08-16 | 2017-01-04 | 王伟 | Human body maximal oxygen uptake evaluation methodology based on BP neutral net and application thereof |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4566461A (en) * | 1983-02-15 | 1986-01-28 | Michael Lubell | Health fitness monitor |
| DE3920526A1 (en) * | 1989-06-22 | 1991-01-10 | Lepic Gottlieb | Body condition register for person doing fitness exercises - has computer comparing pulse rate picked-up with stipulated valve |
| DE3922026A1 (en) * | 1989-07-05 | 1991-01-17 | Wolfgang Prof Dr Ing Rienecker | Measurement and evaluation device for human health - has connections for physiological parameter measurement sensors, data memory and displays |
| US5251626A (en) * | 1990-07-03 | 1993-10-12 | Telectronics Pacing Systems, Inc. | Apparatus and method for the detection and treatment of arrhythmias using a neural network |
| FR2665831B1 (en) * | 1990-08-17 | 1992-10-09 | Thomson Csf | METHOD AND DEVICE FOR AIDING THE DIAGNOSIS BY ANALYSIS OF NOISE OF THE HEART. |
| US5280792A (en) * | 1991-09-20 | 1994-01-25 | The University Of Sydney | Method and system for automatically classifying intracardiac electrograms |
| JP3081043B2 (en) * | 1991-12-27 | 2000-08-28 | シスメックス株式会社 | Diagnosis method of cerebral infarction |
| US5853351A (en) * | 1992-11-16 | 1998-12-29 | Matsushita Electric Works, Ltd. | Method of determining an optimum workload corresponding to user's target heart rate and exercise device therefor |
| DE4307545A1 (en) * | 1993-03-10 | 1994-09-15 | Siemens Ag | Device and method for determining the location and/or the extent of ischemias and/or infarcts in the heart of a patient |
| DE4337110C1 (en) * | 1993-10-29 | 1994-11-03 | Michael A J Dietl | Method and device to operate a defibrillator |
-
1996
- 1996-03-12 FI FI961148A patent/FI111514B/en not_active IP Right Cessation
-
1997
- 1997-03-12 DE DE19781642T patent/DE19781642T1/en active Pending
- 1997-03-12 WO PCT/FI1997/000163 patent/WO1997033512A1/en active Application Filing
- 1997-03-12 DE DE19781642A patent/DE19781642B4/en not_active Expired - Lifetime
- 1997-03-12 GB GB9819760A patent/GB2326240B/en not_active Expired - Lifetime
-
1999
- 1999-05-05 HK HK99102020A patent/HK1016857A1/en not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| HK1016857A1 (en) | 1999-11-12 |
| GB2326240B (en) | 2000-08-23 |
| WO1997033512A1 (en) | 1997-09-18 |
| GB2326240A8 (en) | 1999-05-21 |
| FI961148A (en) | 1997-12-12 |
| FI961148A0 (en) | 1996-03-12 |
| GB9819760D0 (en) | 1998-11-04 |
| DE19781642B4 (en) | 2008-01-03 |
| GB2326240A (en) | 1998-12-16 |
| DE19781642T1 (en) | 1999-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6277080B1 (en) | Method and apparatus for measuring exertion endurance | |
| US7383082B2 (en) | Visceral fat determining device with a step-counting function | |
| ES2250334T3 (en) | NON-INVASIVE ASSESSMENT OF THE CONCENTRATION OF LACTATE IN THE BODY IN RELATION TO BODY EXERCISE. | |
| JP6130914B2 (en) | Biological information calculation system at the time of exercise load, biological information calculation method, and portable information terminal | |
| US6694182B1 (en) | Wearable calorie calculator | |
| US4367752A (en) | Apparatus for testing physical condition of a subject | |
| US5622180A (en) | Device for measuring heartbeat rate | |
| FI94589C (en) | Method and apparatus for measuring physical fitness | |
| FI114202B (en) | Method and apparatus for performing human measurement | |
| FI115289B (en) | Measurement of an organism's energy metabolism and glucose levels | |
| US6823036B1 (en) | Wristwatch-typed pedometer with wireless heartbeat signal receiving device | |
| US20060063980A1 (en) | Mobile phone apparatus for performing sports physiological measurements and generating workout information | |
| US20050054938A1 (en) | Method and apparatus including altimeter and accelerometers for determining work performed by an individual | |
| US20050107723A1 (en) | Methods and apparatus for determining work performed by an individual from measured physiological parameters | |
| EP1512370A1 (en) | Training control method and apparatus using biofeedback | |
| US20060100533A1 (en) | Apparatus and method for measuring bio signals | |
| JP4552667B2 (en) | Activity meter | |
| US7477934B2 (en) | Method of monitoring human relaxation level, and user-operated heart rate monitor | |
| CN106473717A (en) | Walking burden degree computing device, maximal oxygen uptake computing device, control method | |
| JPH0956705A (en) | Consumption calorimeter | |
| CN108888247A (en) | Aerobic capacity testing method, device and system and data acquisition equipment | |
| CN215741734U (en) | Wearable equipment and system for evaluating exercise intensity of aerobic exercise | |
| FI111514B (en) | A method of measuring the physical condition of an object being measured | |
| JP2012037245A (en) | Biological information detection device and subject detection method | |
| JP2018007979A (en) | Exercise support apparatus, exercise support method, and exercise support program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MA | Patent expired |