CN210354670U - 一种基于混合传感的生理监测及分析系统 - Google Patents
一种基于混合传感的生理监测及分析系统 Download PDFInfo
- Publication number
- CN210354670U CN210354670U CN201820097024.7U CN201820097024U CN210354670U CN 210354670 U CN210354670 U CN 210354670U CN 201820097024 U CN201820097024 U CN 201820097024U CN 210354670 U CN210354670 U CN 210354670U
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- physiological information
- physiological
- target
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 8
- 230000033001 locomotion Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 abstract description 17
- 238000007405 data analysis Methods 0.000 abstract description 13
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 230000035479 physiological effects, processes and functions Effects 0.000 abstract description 4
- 238000013179 statistical model Methods 0.000 description 44
- 238000000605 extraction Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 14
- 230000036772 blood pressure Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 11
- 230000029058 respiratory gaseous exchange Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000000747 cardiac effect Effects 0.000 description 7
- 238000013480 data collection Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000000528 statistical test Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000037081 physical activity Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000001766 physiological effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 238000009610 ballistocardiography Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000009531 respiratory rate measurement Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pulmonology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本实用新型涉及一种基于混合传感的生理检测及分析系统，包括用于收集数据的传感器、数据记录单元、用于数据分析的数据分析单元以及用于接受分析报告的报告接收单元。本实用新型通过收集目标生物各方面的生理数据，实现了对目标生物生理信息全方位的分析，使得分析的结果更加准确可靠，且方便快捷，提高了生理监测及疾病检测的效率。
Description
技术领域
本实用新型涉及疾病诊断技术，尤其涉及一种基于混合传感的生理检测及分析系统。
背景技术
现有技术中的疾病或健康状态的判断一般是通过检测机器判断。但是这种检测方法因外界因素的干扰，以及因条件限制获取的生理数据不全面等原因造成的检测结果准确率不高，容易造成误诊现象。
实用新型内容
针对现有技术中存在的缺陷或不足，本实用新型所要解决的技术问题是：提供一种能够解决在健康状态判断容易造成误诊的技术方案。
为了实现上述目的，本实用新型采取的技术方案为一种基于混合传感的生理检测及分析系统，包括若干传感器、数据记录单元、数据分析单元以及报告接收单元；所述数据分析单元：用于分析经过所述数据记录单元处理后的所述传感器收集的目标生物的生理信息数据，并将分析报告发送至所述报告接收单元。
作为本实用新型的进一步改进，所述传感器包括心电图传感器、加速计、运动传感器以及压力传感器；所述数据记录单元包括用于测量、记录或寄存所述传感器收集的生理信息数据的中央处理器，所述中央处理器：还用于将所述生理信息数据发送至所述数据分析单元。
作为本实用新型的进一步改进，所述数据分析单元包括过往数据库、实时采集数据库以及能够通过机器学习方法建立、训练算法统计模型的分析平台；
所述过往数据库包括：与所述目标生物的过往生理信息数据以及与所述目标生物的种族、品种相同或不同的生物的过往生理信息群组数据；
所述实时采集数据库包括所述目标生物的生理信息数据。
作为本实用新型的进一步改进，所述数据分析平台还用于：提高所述生理信息数据的信噪比、通过特征提取方法提取不同生理信息数据的时域和/或频域特征。
还提供一种基于混合传感的生理检测及分析方法，包括以下步骤：
S1.通过实验建立算法统计模型；
S2.采集目标生物的生理信息数据；其中，所述生理信息数据包括目标生物的电生理讯息、机械生理讯息以及身体运动活动数据；通过采集目标生物的电生理讯息、机械生理讯息以及身体运动活动数据等，保证信息的全面性。
S3.通过信号处理方法对所述生理信息数据进行降噪处理，并通过特征提取方法提取不同生理信息数据的时域特征和/或频域特征；其中，所述特征提取方法为傅里叶变换、频带功率计算、时频分析、小波分解或者波形检测中的一种或多种的组合，还可以是其他能够提取生理信息数据的时域特征或频域特征的特征提取方法的一种或者多种组合；提高生理信息数据的信噪比，排除因外界的干扰或的其他不可控因素造成的失真或异常的数据信息。
S4. 分别将由电生理讯息、机械生理讯息以及身体运动活动数据提取的时域特征和/或频域特征输入到算法统计模型中进行运算，得出输出目标；其中，所述的算法统计模型包括心率检查算法统计模型、血压检查算法统计模型、心率变异检查算法统计模型、呼吸率检查算法统计模型、血压检查算法统计模型、情绪检查算法统计模型、心输出量检查算法统计模型以及身体运动检查算法统计模型。所述输出目标包括与所述的算法统计模型相对应的心率分析、血压分析、心率变异分析、呼吸率分析、血压分析、情绪分析、心输出量分析以及身体运动分析，还可以包括其他生理信息的算法统计模型。通过实验建立的不同生理信息数据建立与该生理信息数据相对应的算法统计模型，在将收集的目标生物的生理信息数据输入与之对应的算法统计模型中进行对比计算分析得出相应的输出目标，所述输出目标包括与所述的算法统计模型相对应的心率分析、血压分析以及心率变异分析等等。
S5. 所述输出目标作为分析报告并回报给报告接收单元，或将所述输出目标分别与过往数据库进行对比，得出分析报告并回报至报告接收单元，其中，所述过往数据库包括：与所述目标生物的过往生理信息数据以及与所述目标生物的种族、品种相同或不同的生物的过往生理信息群组数据。过往数据库中一般保存有该目标生物或者与该目标生物的种族、科、目、年龄、大小相同或类似的生物的生理数据信息，通过将输出目标与该数据进行对比，得出该目标生物的分析报告，数据分析单元将所述分析报告发送至报告接收单元，供专业人士根据该报告给出建议。
作为本实用新型的进一步改进，所述步骤S1还包括以下步骤：
S11.通过传感器收集实验对象的实验生理信息数据；
S12.通过信号处理方法提高实验生理信息数据的信噪比；
S13.通过特征提取方法提取不同的实验生理信息数据的时域特征和/或频域特征，其中，所述特征提取方法为：傅里叶变换、频带功率计算、时频分析、小波分解以及波形检测；
S14.通过将实验生理信息数据的时域特征和/或频域特征输入机器学习系统中建立统计模型，并训练统计模型获得算法统计模型。
作为本实用新型的进一步改进，步骤S14还包括以下步骤：
S141.所述机器学习系统预先设定的标准统计学检验参数以及预设的算法结果的可接受偏差度；
S142.所述机器学习系统通过特征选择方法选择所述实验生理信息数据的相关的时域特征和/或频域特征的子集构建不同组合的模型，并将统计模型的运算结果与通过标准度量方法获取的生理结果相对比，核对是否符合预设的统计学检验参数以及可接受结果偏差度；
S143.若不符合，则将测试的时域特征和/或频域特征从所述统计模型中剔除；
S144.通过选取拥有最高准确度及统计参数值的特征子集构建算法统计模型。
作为本实用新型的进一步改进，所述电生理讯息包括心电图、电性质呼吸测量图。
作为本实用新型的进一步改进，所述机械性生理讯息包括心脏振动图、心冲击图及机械性呼吸测量图。
作为本实用新型的进一步改进，所述输出目标包括身体运动、呼吸率、心率、心率变异、血压、情绪、心输出量以及身体运动。
本实用新型的有益效果是：本实用新型通过收集目标生物各方面的生理数据，实现了对目标生物生理信息全方位的分析，使得分析的结果更加准确可靠，且方便快捷，提高了生理监测以及疾病检测的效率。
附图说明
图1是本实用新型提供的检测流程图；
图2是本实用新型提供的系统框图；
图3是本实用新型提供的从电生理信号提取的时域数据图像；
图4是本实用新型提供的从电生理信号提取的频域数据图像；
图5是本实用新型提供的从机械性生理信号提取的时域数据图像；
图6是本实用新型提供的从机械性生理信号提取的频域数据图像；
图7是本实用新型提供的电生理信号和机械性生理信号提取的时域特征之间的相互数据图像；
图8是本实用新型提供的从电生理信号和机械性生理信号提取的时域/或频域特征之间的相互关精神状态主成分分析数据分布图像；
图9是本实用新型提供的从电生理信号和机械性生理信号提取的时域特征之间的相互关数据图像以分析心输出量及相关参数图像；
图10是本实用新型提供的分析系统的数据收集结构的侧视图；
图11是本实用新型提供的分析系统的数据收集结构的折叠或展开过程图；
图12是本实用新型提供的收集目标生物数据的实施方式；
其中数字表示：11-心电图传感器 12-加速器 13-压力传感器 2-数据寄存单元3-数据分析单元 4-报告接收单元 51-机械性活动传感器。
具体实施方式
下面结合附图说明及具体实施方式对本实用新型进一步说明。
如图1所示，本实用新型提供一种基于混合传感的生理监测及分析系统的监测及分析的方法为：
S1.通过实验建立算法统计模型；
具体的，所述步骤S1还包括以下步骤：
S11.通过传感器收集实验对象的实验生理信息数据；
实验时收集大量数据（人类或/及动物，相同及不同种族/品种，健康及不健康的）：从传感器收集的数据（电生理信号、机械生理信号或者身体运动活动数据），及记录当时各对比输出目标数据，如身体运动、呼吸率、心率、心率变异、血压、情绪、心输出量以及相关参数，例如心排血量、心脏射血分数等等，全面的数据收集有利于建立全面的算法统计模型，使得后续应用分析目标生物的生理状态时的结构更加准确。
S12.通过信号处理方法提高实验生理信息数据的信噪比；一般在收集数据时，难免会存在干扰数据，这些干扰数据会扰乱分析结果，甚至造成误诊，则需要对从传感器收集的数据，如电生理信号及机械生理信号，在输入机器学习系统之前，以相应适用的信号处理(signal processing)方法，提高信噪比。
S13.通过特征提取方法提取不同的实验生理信息数据的时域特征和/或频域特征，其中，所述特征提取方法为：傅里叶变换、频带功率计算、时频分析、小波分解以及波形检测等等中的一种或多种的组合，通过所述特征提取方法中的一种或多种对不同的实验生理信息数据进行特征提取；提取的实验生理信息数据的时域特征和/或频域特征一般是具代表性、不同的时域和/或频域特征。应用于“特征提取”的讯号处理方法包括但不限于傅里叶变换(Fourier Transform)，频带功率计算（frequency band power calculation），时频分析（time frequency analysis），小波分解（wavelet decomposition）及波形检测(振幅变化及时间位置)等处理方法，系统还会自行提取相关的资讯。
S14.通过将实验生理信息数据的时域特征和/或频域特征输入机器学习系统中建立统计模型，并训练统计模型获得算法统计模型。
进一步的，步骤S14的还包括以下步骤：
S141.所述机器学习系统预先设定的标准统计学检验参数以及预设的算法结果的可接受偏差度；例如将标准统计学检验参数预设为大于95% （即p-value <0.05），该显著水准的数值根据统计学所欲研究的客体而定，将血压的设可接受偏差定为<1mmHg。
S142.所述机器学习系统通过特征选择方法选择所述实验生理信息数据的相关的时域特征和/或频域特征的子集构建不同组合的模型，并将统计模型的运算结果与通过标准度量方法获取的生理结果相对比，各运算算法各自分别训练,及有可能有着不同的预设值及参数;核对是否符合预设的统计学检验参数以及可接受结果偏差度；建立统计模型之后，需要对统计模型进行训练，使之该统计模型更加具有代表性，其中，有关机器学习系统会自行以“特征选择”运算方法来排除不够影响力的时域/频域特征，“特征选择”会选择及利用有关的资料，演算出所需的目标值与实验数据作对比，核对是否符合显著水准及预测错误的要求。
S143.若不符合，则将测试的时域特征和/或频域特征从所述统计模型中剔除；
通过在所有数据上循环运行计算，直至产生一个能对综合所有数据都能产生符合预订水准及预测错误要求的统计模型产生；需要注意的是：不同的输出目标数据，有着不同的算法，算法统计模型会由不同的时域/频域特征构成，并有着不同的参数。
S144.通过选取拥有最高准确度及统计参数值的特征子集构建算法统计模型。
根据需要，实验中采集的人或动物的生理数据可以是身体运动、呼吸率、心率、心率变异、血压、情绪、心输出量以及身体运动等等。
建立模型之后进行步骤：
S2.采集目标生物的生理信息数据；其中，所述生理信息数据包括目标生物的电生理讯息、机械生理讯息以及身体运动活动数据；通过采集目标生物的电生理讯息、机械生理讯息以及身体运动活动数据等，保证信息的全面性。
S3.通过信号处理方法对所述生理信息数据进行降噪处理，并通过特征提取方法提取不同生理信息数据的时域特征和/或频域特征；其中，所述特征提取方法为傅里叶变换、频带功率计算、时频分析、小波分解或者波形检测；提高生理信息数据的信噪比，排除因外界的干扰或的其他不可控因素造成的失真或异常的数据信息。
S4. 分别将由电生理讯息、机械生理讯息以及身体运动活动数据提取的时域特征和/或频域特征输入到算法统计模型中进行运算，得出输出目标；其中，所述的算法统计模型包括心率检查算法统计模型、血压检查算法统计模型以及心率变异检查算法统计模型等等，通过实验建立的不同生理信息数据建立与该生理信息数据相对应的算法统计模型，在将收集的目标生物的生理信息数据输入与之对应的算法统计模型中进行对比计算分析得出相应的输出目标，所述输出目标包括与所述的算法统计模型相对应的心率分析、血压分析以及心率变异分析等等。
例如，将电生理讯息、机械生理讯息以及身体运动活动数据等提取的时域特征和/或频域特征输入到针对心率检查建立的算法统计模型之中，只有在机器学习是被选取,与心率相关的特征会被选用,并进入统计模型输出的结果就是心率的输出目标，根据目标生物的若干个生理信息数据的输出目标分析。
S5. 所述输出目标作为分析报告并回报给报告接收单元4，或将所述输出目标分别与过往数据库进行对比，得出分析报告并回报至报告接收单元4，其中，所述过往数据库包括：与所述目标生物的过往生理信息数据以及与所述目标生物的种族、品种相同或不同的生物的过往生理信息群组数据。过往数据库中一般保存有该目标生物或者与该目标生物的种族、科、目、年龄、大小相同或类似的生物的生理数据信息，通过将输出目标与该数据进行对比，得出该目标生物的分析报告，数据分析单元3将所述分析报告发送至报告接收单元4，供专业人士根据该报告给出建议。
如图2所示，本实用新型还提供一种基于混合传感的生理检测及分析系统，包括数据收集器、数据记录单元、能够分析经过所述数据记录单元处理后的所述数据收集器收集的目标生物的生理信息数据的数据分析单元以及报告接收单元；其中，所述数据收集器包括一旋转体以及传感器，所述传感器设置于所述旋转体上，所述旋转体包括第一旋转部以及第二旋转部，所述第一旋转部与所述第二旋转部通过一旋转轴旋转固定。其中，所述传感器包括但不限于：
用于收集电生理信息、机械性生理活动、呼吸及身体运动相关活动的心电图传感器11、加速计12、运动传感器以及压力传感器13；本实用新型是以同步、锁定时间的方式记录心血管系统的电生理及机械性活动，并且同步测量心肺活动及身体运动。
如图3-9所示，该系统可以通过上述传感器从动物及人类身上收集实时电生理讯息，电生理讯息包括，但不限于：心电图（ECG）和电性质的呼吸测量；从动物及人类身上收集实时机械性生理讯息，机械性生理讯息包括，但不限于：心脏振动图（SCG;seismocardiography），心冲击图(BCG; ballistocardiography) 及机械性呼吸测量；收集实时身体运动活动数据。并对收集的不同的生理信息数据提取器时域特征以及频域特征，最后结合电生理信号以及机械性生理信号再次进行分析，得出电生理信号和机械性生理信号提取的时域特征之间的相互数据图像。
具体的，心脏情况，血流动力状态，呼吸及身体活动状态的生理测量，包括但不限于：身体运动、心率、心率变异、心电图波峰组成结构检测、心脏振动图波峰组成结构检测、心冲击图波峰组成结构检测、血压、情绪检测等等。
所述数据记录单元2包括用于测量、记录或寄存所述传感器收集的生理信息数据的中央处理器，所述中央处理器：还用于将所述生理信息数据发送至所述数据分析单元3。
所述数据分析单元3包括过往数据库、实时采集数据库以及能够通过机器学习方法建立、训练算法统计模型的分析平台；所述过往数据库包括：与所述目标生物的过往生理信息数据以及与所述目标生物的种族、品种相同或不同的生物的过往生理信息群组数据；所述实时采集数据库包括所述目标生物的生理信息数据。
所述数据分析平台还可用于提高所述生理信息数据的信噪比、通过特征提取方法提取不同生理信息数据的时域和/或频域特征。
如图10-12所示，该测量系统的测量部分的结构可以设计为可以折叠式，有利于收纳、携带。
具体的，将机械性生理活动传感器51内置于数据收集结构中，该数据收集结构作为传感器的载体，用户可以直接通过该数据收集结构作用于目标生物的身体，采集目标生物的生理数据信息。
例如，通过加速计采集目标生物的身体运动活动数据。
本实用新型在应用于心脏情况、血流动力状态、呼吸以及身体活动的监察及分析时，将收集的数据进行分析后，并给予使用者及/或医学专家分析反馈，医生或其他专业人士再在分析报告的引导下进行诊断、治疗及处方建议。这种自动化快速心电图临床诠释及诊断极大提高了诊断的专业性和效率。
本实用新型的有益效果是：本实用新型能够对目标生物进行心脏健康评估，例如：
以心率资料及心血流动资料判断心血管健康及情绪状态；
侦察异常心脏活动，例如：心律不整；
侦察血压；
或者用于肺活动的测量：
侦察呼吸率；
侦察异常呼吸活动；
或者进行身体活动测量：例如身体体能状况；又或者，以呼吸资料判断整体体能水平、以身体运动资料判断整体体能水平、透过生理数据收集平台，实时，同步记录心脏，呼吸及身体运动的电生理及机械性数据；从传感器收集的资料会记录于数据记录单元2、远端或者存在于其他服务器或设备。
以上内容是结合具体的优选实施方式对本实用新型所作的进一步详细说明，不能认定本实用新型的具体实施只局限于这些说明。对于本实用新型所属技术领域的普通技术人员来说，在不脱离本实用新型构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本实用新型的保护范围。
Claims (1)
1.一种基于混合传感的生理监测及分析系统，其特征在于，包括数据收集器、数据记录单元以及报告接收单元；
其中，所述数据收集器包括一旋转体以及传感器，所述传感器设置于所述旋转体上，所述传感器为心电图传感器、加速计、运动传感器或压力传感器，所述旋转体包括第一旋转部以及第二旋转部，所述第一旋转部与所述第二旋转部通过一旋转轴旋转固定。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201820097024.7U CN210354670U (zh) | 2018-01-19 | 2018-01-19 | 一种基于混合传感的生理监测及分析系统 |
| TW108200641U TWM585420U (zh) | 2018-01-19 | 2019-01-14 | 一種基於混合傳感的生理監測及分析系統 |
| PCT/IB2019/050372 WO2019142120A1 (zh) | 2018-01-19 | 2019-01-17 | 一种基于混合传感的生理监测及分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201820097024.7U CN210354670U (zh) | 2018-01-19 | 2018-01-19 | 一种基于混合传感的生理监测及分析系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN210354670U true CN210354670U (zh) | 2020-04-21 |
Family
ID=67301698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201820097024.7U Active CN210354670U (zh) | 2018-01-19 | 2018-01-19 | 一种基于混合传感的生理监测及分析系统 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN210354670U (zh) |
| TW (1) | TWM585420U (zh) |
| WO (1) | WO2019142120A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119418135A (zh) * | 2025-01-02 | 2025-02-11 | 浙江大学 | 基于心血管图像的智能预警方法、装置、设备及介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202288251U (zh) * | 2011-09-29 | 2012-07-04 | 博奥生物有限公司 | 一种便携式生命体征监护装置 |
| CA2918332C (en) * | 2013-07-18 | 2023-08-08 | Parkland Center For Clinical Innovation | Patient care surveillance system and method |
| EP4537748A1 (en) * | 2013-12-12 | 2025-04-16 | Alivecor, Inc. | Methods and systems for arrhythmia tracking and scoring |
| CN104605841A (zh) * | 2014-12-09 | 2015-05-13 | 电子科技大学 | 可穿戴心电信号监测装置及方法 |
| CN105078445B (zh) * | 2015-08-24 | 2018-11-02 | 华南理工大学 | 基于健康服务机器人的老年人健康服务系统 |
-
2018
- 2018-01-19 CN CN201820097024.7U patent/CN210354670U/zh active Active
-
2019
- 2019-01-14 TW TW108200641U patent/TWM585420U/zh unknown
- 2019-01-17 WO PCT/IB2019/050372 patent/WO2019142120A1/zh active Application Filing
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119418135A (zh) * | 2025-01-02 | 2025-02-11 | 浙江大学 | 基于心血管图像的智能预警方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019142120A1 (zh) | 2019-07-25 |
| TWM585420U (zh) | 2019-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI700708B (zh) | 一種基於混合傳感的生理監測及分析方法、系統 | |
| Merdjanovska et al. | Comprehensive survey of computational ECG analysis: Databases, methods and applications | |
| CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
| EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
| CN108186011B (zh) | 房颤检测方法、装置及可读存储介质 | |
| US20240221948A1 (en) | Systems and methods of analyte measurement analysis | |
| US8543194B2 (en) | System and method of detecting abnormal movement of a physical object | |
| EP3698709A1 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
| EP3698708A1 (en) | Ecg information processing method and ecg workstation | |
| KR20190066332A (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
| CN112806977B (zh) | 基于多尺度融合网络的生理参数测量方法 | |
| US12144633B2 (en) | Method and device for cardiac monitoring | |
| CN106667436A (zh) | 一种睡眠诊断方法及系统 | |
| US20250040894A1 (en) | Personalized chest acceleration derived prediction of cardiovascular abnormalities using deep learning | |
| CN210354670U (zh) | 一种基于混合传感的生理监测及分析系统 | |
| CN112842355B (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
| CN118747325A (zh) | 一种心电导联数据质量评估方法 | |
| Chen et al. | Beat-to-beat heart rate detection based on seismocardiogram using BiLSTM network | |
| Rahman et al. | Reconstruction of 3-axis seismocardiogram from right-to-left and head-to-foot components using a long short-term memory network | |
| WO2014122236A1 (en) | Synchronous physiological measurements for cardiac acquisitions | |
| Moukadem et al. | Automatic heart sound analysis module based on Stockwell transform | |
| RU2821209C1 (ru) | Способ диагностики электрокардиосигнала на основе определения фрактальной размерности | |
| CN118177740B (zh) | 睡眠分期方法及装置、电子设备和存储介质 | |
| EP4371487A1 (en) | Method for generating multiple pieces of standard electrocardiogram data on basis of deep learning algorithm | |
| Saxena et al. | Quality assurance in cardiac disease diagnostic using computerised feature extraction of ECG signal |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant |