CN105520731A - 一种基于hbc的预防癫痫发作的穿戴式医疗设备 - Google Patents
一种基于hbc的预防癫痫发作的穿戴式医疗设备 Download PDFInfo
- Publication number
- CN105520731A CN105520731A CN201610034365.5A CN201610034365A CN105520731A CN 105520731 A CN105520731 A CN 105520731A CN 201610034365 A CN201610034365 A CN 201610034365A CN 105520731 A CN105520731 A CN 105520731A
- Authority
- CN
- China
- Prior art keywords
- signal
- input
- epilepsy
- main control
- eeg
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6814—Head
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7405—Details of notification to user or communication with user or patient ; user input means using sound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种基于HBC的预防癫痫发作的穿戴式医疗设备,包括主控计算机,主控计算机的第一输入端与信号传输***的输出端连接,信号传输***的第一输入端和人体头部配合,主控计算机的输出端与控制器的输入端连接,控制器的输出端与开关模块的输入端连接,开关模块的输出端与警报装置的第一输入端连接,主控计算机、信号传输***、警报装置的第二输入端分别和DC/DC多路输出电源模块的三个输出端连接,信号传输***利用人体头部作为通讯路径传输脑电信号数据,形成一个基于HBC技术的BAN通讯链路,本发明在癫痫病发作前可对患者发出预防警告提示声音和震动,提醒患者做出必要预防措施的可穿戴式医疗设备,具有佩戴方便、提醒及时的优势。
Description
技术领域
本发明涉及人体通信(HumanBodyCommunication,HBC)和生物医学信号技术领域,具体涉及一种基于HBC的预防癫痫发作的穿戴式医疗设备。
背景技术
HBC是一种在人体周围或人体内部进行的短距离无线通讯技术,利用人体作为通信路径传输数据,是无线通信技术新领域体域网(BodyAreaNetwork,BAN)中最具前景的一个应用场景,在日常保健和医疗应用领域具有广阔的发展前景。癫痫作为一种发作性的脑神经元异常放电性疾病,脑电图是癫痫预防和诊断最有效的辅助诊断工具。研究表明,癫痫在发作期和发作间期的脑电图的变化是突然发生的,其特征是:阵发性的高波幅慢波、尖波、棘波,或伴有低波幅的快波,这种变化可出现在癫痫行为发作前的数秒钟。根据癫痫患者脑电信号在发作前会发生明显的变化这一特征可以对癫痫发作进行早期预测。
Duffing混沌振子***对初始条件的敏感性可以用于检测微弱周期信号或混沌信号;脑电信号已被广泛证明是混沌时间序;癫痫发作时脑电时间序列的LyaPunov指数下降,即正常和癫痫脑电时间序列具有不同的混沌性;Duffing振子具有区分癫痫EEG和正常EEG的能力是基于混沌同步的原理和基础。
数字信号处理技术的迅猛发展和计算机的广泛应用,以及近年来无线通信技术进入与人类个体联系最紧密的领域BAN,该领域中HBC技术的日趋成熟,为癫痫病的预防研究开创了崭新的局面。
癫痫发作具有碎发性,如果此时病人正从事某种危险操作(如驾驶汽车),则很容易受到意外伤害,这是造成癫痫患者残疾甚至死亡的一个主要原因。另一方面由于癫痫长期的反复性发作,而且患者自己无法***,这不仅使患者身体遭受痛苦,而且在一定程度上导致其精神及心理障碍。目前对癫痫病的治疗手段主要是药物治疗和手术切除病灶。虽然这两种方法都可以有效地减少癫痫发作的次数甚至完全抑制癫痫发作,减轻癫痫患者的痛苦,但是无法实现对癫痫患者在发作前实现提示。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于HBC的预防癫痫发作的穿戴式医疗设备,在癫痫病发作前可对患者发出预防警告提示声音和震动,提醒患者做出必要预防措施的可穿戴式医疗设备,具有佩戴方便、提醒及时、准确安全等优势。
为了达到上述目的,本发明采取的技术方案为:
一种基于HBC的预防癫痫发作的穿戴式医疗设备,包括主控计算机101,主控计算机101的第一输入端与信号传输***102的输出端连接,信号传输***102的第一输入端和人体头部107配合,主控计算机101的输出端与控制器104的输入端连接,控制器104的输出端与开关模块105的输入端连接,开关模块105的输出端与警报装置103的第一输入端连接,主控计算机101的第二输入端、信号传输***102的第二输入端、警报装置103的第二输入端分别和DC/DC多路输出电源模块106的三个输出端连接。
所述的信号传输***102利用人体头部107作为通讯路径传输脑电信号数据,形成一个基于HBC技术的BAN通讯链路,信号传输***102包括信号采集模块1021,信号采集模块1021的输入端和人体头部107配合,信号采集模块1021的输出端和信号调理模块1022的输入端连接,调理模块1022的输入端和信号发送模块1023的输入端连接,信号发送模块1023的输出端和主控计算机101的信号处理模块1011的输入端连接。
所述的主控计算机101包括信号处理模块1011,信号处理模块1011的输出端和癫痫发作预警检测***1012的输入端连接,癫痫发作预警检测***1012的输出端和控制器104的输入端连接。
所述的警报装置103包括蜂鸣器1031和震动器1032,蜂鸣器1031和震动器1032的输入端分别和开关模块105的输出端连接。
所述的癫痫发作预警检测***1012利用Duffing混沌振子的混沌特性区分癫痫与正常EEG特征,进而实现预防癫痫发作的功能,基本原理是利用癫痫EEG的混沌特性弱于正常EEG的混沌特性以及Duffing混沌振子能够区分两种EEG混沌特性的强弱;
Duffing混沌振子的模型如式(1)所示:
其中μ为占空比系数,-x+x3为非线性恢复力,fcos(ωt)为内置信号,y(t)为输入信号,
内置信号fcos(ωt)与输入信号y(t)作为Duffing混沌振子的输入,Duffing混沌振子的输出为输出信号x(t)及输出信号导数x'(t),利用Lyapunov指数和Duffing振子输出的平面相图作为描述混沌时间序列混沌程度的量化指标。
所述的癫痫发作预警检测***1012利用癫痫EEG的混沌特性弱于正常EEG的混沌特性以及Duffing混沌振子能够区分两种EEG混沌特性的强弱,具体步骤为:
第一步,在没有输入信号y(t)的情况下调整内置信号fcos(ωt)的幅值f和频率ω使Duffing混沌振子处于周期状态与混沌状态,此时得到Duffing混沌振子的输出为输出信号x(t)及输出信号导数x'(t),构成周期相平面图和混沌相平面图,以混沌相平面图确定的幅值f和频率ω作为癫痫发作预警检测***1012的***参数执行下一步任务,
第二步,将癫痫EEG混沌时间序列作为输入信号y(t)送入到Duffing混沌振子得到输出信号x(t)及输出信号导数x'(t),构成混沌相平面图,
第三步,将正常EEG混沌时间序列作为输入信号y(t)送入到Duffing混沌振子得到输出信号x(t)及输出信号导数x'(t),构成混沌相平面图。
所述一种基于HBC的预防癫痫发作的穿戴式医疗设备,预警监测工作流程如下:
第一步,基于HBC技术信号传输***102把从人体头部107发射电极捕获的EEG通过采集模块1021、信号调理模块1022经过放大、滤波的手段后通过HBC频段传输给主控计算机101中的信号处理模块1011,
第二步,主控计算机101把从信号处理模块1011通过接收电极天线把从信号发送模块1023获取的EEG信号输送给癫痫发作预警检测***1012,
第三步,癫痫发作预警检测***1012将癫痫EEG与正常EEG的数据进行对比分析,将分析结果反馈给主控计算机101,主控计算机101根据分析结果向控制器104发送指令,
第四步,控制器104根据主控计算机101的指令向开关模块105发送指令,
第五步,开关模块105根据控制器104的指令启动警报装置103,动警报装置103中的蜂鸣器1031和震动器1032通电后进入运行状态,完成癫痫发作的预警检测任务。
本发明的有益效果为:本发明能够在癫痫发作前向患者发出预防提示信息。癫痫患者只要将本设备戴在头上,在癫痫发作前可在感受到震动的同时听到声音提醒,以便及时采取一定的预防措施以免受到意外伤害。具有佩戴方便,预防有效等特点,和已有的癫痫治疗手段一起形成更加完善的癫痫病预防治疗体系,减少了患者的身体痛苦和心理困扰。
附图说明
图1为本发明的结构示意图。
图2为本发明癫痫发作预警检测***1012的结构示意图。
图3为本发明癫痫发作预警检测***1012在没有外界输入时输出的周期相平面图。
图4为本发明癫痫发作预警检测***1012在没有外界输入时输出的混沌相平面图。
图5为本发明癫痫发作预警检测***1012在加入癫痫EEG混沌时间序列输入时***输出的混沌相平面图。
图6为本发明癫痫发作预警检测***1012在加入正常EEG混沌时间序列输入时***输出的混沌相平面图。
图7为本发明的基于HBC的预防癫痫发作的穿戴式医疗设备工作流程示意图。
具体实施方式
以下结合附图和实施例对本发明做进一步阐述。
如图1所示,一种基于HBC的预防癫痫发作的穿戴式医疗设备,包括主控计算机101,主控计算机101的第一输入端与信号传输***102的输出端连接,信号传输***102的第一输入端和人体头部107配合,主控计算机101的输出端与控制器104的输入端连接,控制器104的输出端与开关模块105的输入端连接,开关模块105的输出端与警报装置103的第一输入端连接,主控计算机101的第二输入端、信号传输***102的第二输入端、警报装置103的第二输入端分别和DC/DC多路输出电源模块106的三个输出端连接。
所述的信号传输***102利用人体头部107作为通讯路径传输脑电信号数据,形成一个基于HBC技术的BAN通讯链路,信号传输***102包括信号采集模块1021,信号采集模块1021的输入端和人体头部107配合,信号采集模块1021的输出端和信号调理模块1022的输入端连接,调理模块1022的输入端和信号发送模块1023的输入端连接,信号发送模块1023的输出端和主控计算机101的信号处理模块1011的输入端连接。
所述的主控计算机101包括信号处理模块1011,信号处理模块1011的输出端和癫痫发作预警检测***1012的输入端连接,癫痫发作预警检测***1012的输出端和控制器104的输入端连接。
所述的警报装置103包括蜂鸣器1031和震动器1032,蜂鸣器1031和震动器1032的输入端分别和开关模块105的输出端连接。
开关模块105上启动后,信号采集模块1021把附着在人体头部107上的脑电极捕获到的微弱脑电模拟信号经过信号调理模块1022调理成信号发送模块1023能够识别的信号,信号发送模块1023把脑电信号发送给信号处理模块1011,经过信号处理模块1011采样、调制、量化、编码、调解和保存的环节,将模拟信号转换成数字信号。
如图2所示,所述的癫痫发作预警检测***1012利用Duffing混沌振子的混沌特性区分癫痫与正常EEG特征,进而实现预防癫痫发作的功能,基本原理是利用癫痫EEG的混沌特性弱于正常EEG的混沌特性以及Duffing混沌振子能够区分两种EEG混沌特性的强弱;
Duffing混沌振子的模型如式(1)所示:
其中μ为占空比系数,-x+x3为非线性恢复力,fcos(ωt)为内置信号,y(t)为输入信号,
内置信号fcos(ωt)与输入信号y(t)作为Duffing混沌振子的输入,Duffing混沌振子的输出为输出信号x(t)及输出信号导数x'(t),利用Lyapunov指数和Duffing振子***输出的平面相图作为描述混沌时间序列混沌程度的量化指标,LyaPunov指数是描述混沌振子非线性动力学行为的一个重要参数,Lyapunov指数定义了相邻轨道在相空间中收敛或发散的平均指数速率,正的Lyapunov指数表示***表现出混沌动力学行为,即任何至少包含一个正的LyaPunov指数的***都被认为是混沌的;负的Lyapunov指数表示***不具有混沌动力学行为,或者说相态轨迹是收缩的;而Lyapunov指数为零时表示***沿轨道以低于指数的速度的运动,指数的量值表示在该时间范围内***是不可预测的,相平面法是一种直观的几何方法,是用绘制在直角平面坐标上的表征变量及其变化速率间关系的轨迹来研究二阶自治***的一种图解方法,这种方法用来分析一大类非线性***的运动,它适用于***的一维运动,相平面中任一点代表该时刻***的运动状态,称为相点,相点连续变化形成的轨道则描述了***的运动方程,称为相轨道,这种图形也称为相图,在相平面图上,根据相轨迹族能明显地看出***的各种全局性质。
所述的癫痫发作预警检测***1012利用癫痫EEG的混沌特性弱于正常EEG的混沌特性以及Duffing混沌振子能够区分两种EEG混沌特性的强弱,具体步骤为:
第一步,在没有输入信号y(t)的情况下调整内置信号fcos(ωt)的幅值f和频率ω使Duffing混沌振子处于周期状态与混沌状态,此时得到Duffing混沌振子的输出为输出信号x(t)及输出信号导数x'(t),构成的周期相平面图和混沌相平面图如图3和图4所示,以混沌相平面图确定的幅值f和频率ω作为癫痫发作预警检测***1012的***参数执行下一步任务,
第二步,将癫痫EEG混沌时间序列作为输入信号y(t)送入到Duffing混沌振子得到输出信号x(t)及输出信号导数x'(t),构成的混沌相平面图如图5所示,输入信号y(t)、输出信号x(t)的LyaPunov指数分别是0.0033、0.0623,
第三步,将正常EEG混沌时间序列作为输入信号y(t)送入到Duffing混沌振子得到输出信号x(t)及输出信号导数x'(t),构成的混沌相平面图如图6所示,输入信号y(t)、输出信号x(t)的LyaPunov指数分别是0.2355、0.1726。
参照图7,所述一种基于HBC的预防癫痫发作的穿戴式医疗设备,预警监测工作流程如下:
第一步,基于HBC技术信号传输***102把从人体头部107发射电极捕获的EEG通过采集模块1021、信号调理模块1022经过放大、滤波的手段后通过HBC频段传输给主控计算机101中的信号处理模块1011,
第二步,主控计算机101把从信号处理模块1011通过接收电极天线把从信号发送模块1023获取的EEG信号输送给癫痫发作预警检测***1012,
第三步,癫痫发作预警检测***1012将癫痫EEG与正常EEG的数据进行对比分析,将分析结果反馈给主控计算机101,主控计算机101根据分析结果向控制器104发送指令,
第四步,控制器104根据主控计算机101的指令向开关模块105发送指令,
第五步,开关模块105根据控制器104的指令启动警报装置103,动警报装置103中的蜂鸣器1031和震动器1032通电后进入运行状态,完成癫痫发作的预警检测任务。
Claims (7)
1.一种基于HBC的预防癫痫发作的穿戴式医疗设备,包括主控计算机(101),其特征在于:主控计算机(101)的第一输入端与信号传输***(102)的输出端连接,信号传输***(102)的第一输入端和人体头部(107)配合,主控计算机(101)的输出端与控制器(104)的输入端连接,控制器(104)的输出端与开关模块(105)的输入端连接,开关模块(105)的输出端与警报装置(103)的第一输入端连接,主控计算机(101)的第二输入端、信号传输***(102)的第二输入端、警报装置(103)的第二输入端分别和DC/DC多路输出电源模块(106)的三个输出端连接。
2.根据权利要求1所述的一种基于HBC的预防癫痫发作的穿戴式医疗设备,其特征在于:所述的信号传输***(102)利用人体头部(107)作为通讯路径传输脑电信号数据,形成一个基于HBC技术的BAN通讯链路,信号传输***(102)包括信号采集模块(1021),信号采集模块(1021)的输入端和人体头部(107)配合,信号采集模块(1021)的输出端和信号调理模块(1022)的输入端连接,调理模块(1022)的输入端和信号发送模块(1023)的输入端连接,信号发送模块(1023)的输出端和主控计算机(101)的信号处理模块(1011)的输入端连接。
3.根据权利要求1所述的一种基于HBC的预防癫痫发作的穿戴式医疗设备,其特征在于:所述的主控计算机(101)包括信号处理模块(1011),信号处理模块(1011)的输出端和癫痫发作预警检测***(1012)的输入端连接,癫痫发作预警检测***(1012)的输出端和控制器(104)的输入端连接。
4.根据权利要求1所述的一种基于HBC的预防癫痫发作的穿戴式医疗设备,其特征在于:所述的警报装置(103)包括蜂鸣器(1031)和震动器(1032),蜂鸣器(1031)和震动器(1032)的输入端分别和开关模块(105)的输出端连接。
5.根据权利要求3所述的一种基于HBC的预防癫痫发作的穿戴式医疗设备,其特征在于:所述的癫痫发作预警检测***(1012)利用Duffing混沌振子的混沌特性区分癫痫与正常EEG特征,进而实现预防癫痫发作的功能,基本原理是利用癫痫EEG的混沌特性弱于正常EEG的混沌特性以及Duffing混沌振子能够区分两种EEG混沌特性的强弱;
Duffing混沌振子的模型如式(1)所示:
其中μ为占空比系数,-x+x3为非线性恢复力,fcos(ωt)为内置信号,y(t)为输入信号,
内置信号fcos(ωt)与输入信号y(t)作为Duffing混沌振子的输入,Duffing混沌振子的输出为输出信号x(t)及输出信号导数x'(t),利用Lyapunov指数和Duffing振子输出的平面相图作为描述混沌时间序列混沌程度的量化指标。
6.根据权利要求3所述的一种基于HBC的预防癫痫发作的穿戴式医疗设备,其特征在于:所述的癫痫发作预警检测***(1012)利用癫痫EEG的混沌特性弱于正常EEG的混沌特性以及Duffing混沌振子能够区分两种EEG混沌特性的强弱,具体步骤为:
第一步,在没有输入信号y(t)的情况下调整内置信号fcos(ωt)的幅值f和频率ω使Duffing混沌振子处于周期状态与混沌状态,此时得到Duffing混沌振子的输出为输出信号x(t)及输出信号导数x'(t),构成周期相平面图和混沌相平面图,以混沌相平面图确定的幅值f和频率ω作为癫痫发作预警检测***(1012)的***参数执行下一步任务,
第二步,将癫痫EEG混沌时间序列作为输入信号y(t)送入到Duffing混沌振子得到输出信号x(t)及输出信号导数x'(t),构成混沌相平面图,
第三步,将正常EEG混沌时间序列作为输入信号y(t)送入到Duffing混沌振子得到输出信号x(t)及输出信号导数x'(t),构成混沌相平面图。
7.根据权利要求1所述的一种基于HBC的预防癫痫发作的穿戴式医疗设备,其特征在于,预警监测工作流程如下:
第一步,基于HBC技术的信号传输***(102)把从人体头部(107)发射电极捕获的EEG通过采集模块(1021)、信号调理模块(1022)经过放大、滤波的手段后通过HBC频段传输给主控计算机(101)中的信号处理模块(1011),
第二步,主控计算机(101)把从信号处理模块(1011)通过接收电极天线把从信号发送模块(1023)获取的EEG信号输送给癫痫发作预警检测***(1012),
第三步,癫痫发作预警检测***(1012)将癫痫EEG与正常EEG的数据进行对比分析,将分析结果反馈给主控计算机(101),主控计算机(101)根据分析结果向控制器(104)发送指令,
第四步,控制器(104)根据主控计算机(101)的指令向开关模块(105)发送指令,
第五步,开关模块(105)根据控制器(104)的指令启动警报装置(103),警报装置(103)中的蜂鸣器(1031)和震动器(1032)通电后进入运行状态,完成癫痫发作的预警检测任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610034365.5A CN105520731A (zh) | 2016-01-19 | 2016-01-19 | 一种基于hbc的预防癫痫发作的穿戴式医疗设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610034365.5A CN105520731A (zh) | 2016-01-19 | 2016-01-19 | 一种基于hbc的预防癫痫发作的穿戴式医疗设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105520731A true CN105520731A (zh) | 2016-04-27 |
Family
ID=55763496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610034365.5A Pending CN105520731A (zh) | 2016-01-19 | 2016-01-19 | 一种基于hbc的预防癫痫发作的穿戴式医疗设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105520731A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106491126A (zh) * | 2016-11-30 | 2017-03-15 | 山东大学 | 一种动态预警癫痫发作的装置 |
CN107616793A (zh) * | 2017-09-18 | 2018-01-23 | 电子科技大学 | 一种具有癫痫发作预测功能的脑电监测装置及方法 |
CN108498069A (zh) * | 2017-02-23 | 2018-09-07 | 光宝电子(广州)有限公司 | 穿戴式电子装置及其紧急求救方法 |
CN111643067A (zh) * | 2020-06-08 | 2020-09-11 | 深圳迈拓数码科技有限公司 | 一种基于hbc的预防癫痫发作的穿戴式医疗设备 |
CN113017653A (zh) * | 2021-03-15 | 2021-06-25 | 西安交通大学 | 基于混沌检测原理的稳态视觉诱发电位识别***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101170943A (zh) * | 2005-05-06 | 2008-04-30 | 皇家飞利浦电子股份有限公司 | 无线医学监视设备 |
CN101627906A (zh) * | 2009-07-30 | 2010-01-20 | 上海交通大学 | 便携式多参数健康监护*** |
CN101848669A (zh) * | 2007-09-07 | 2010-09-29 | 埃姆申塞公司 | 集成传感器头戴装置 |
CN102393874A (zh) * | 2011-07-01 | 2012-03-28 | 山东大学 | 基于脑电棘波频次的预警方法和装置 |
CN103462611A (zh) * | 2013-09-09 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 穿戴式的癫痫监测装置和*** |
CN103598873A (zh) * | 2013-09-27 | 2014-02-26 | 四川大学 | 一种基于自适应无线传感器网络的生理信号智能监测*** |
CN103845046A (zh) * | 2012-11-30 | 2014-06-11 | 索尼公司 | 生物信息测量装置和***、生物信息测量方法及程序 |
CN104138662A (zh) * | 2013-05-10 | 2014-11-12 | 索尼公司 | 图像显示设备和图像显示方法 |
CN105078448A (zh) * | 2014-05-16 | 2015-11-25 | 上海理工大学 | 脑电波的采集和无线传输装置 |
-
2016
- 2016-01-19 CN CN201610034365.5A patent/CN105520731A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101170943A (zh) * | 2005-05-06 | 2008-04-30 | 皇家飞利浦电子股份有限公司 | 无线医学监视设备 |
CN101848669A (zh) * | 2007-09-07 | 2010-09-29 | 埃姆申塞公司 | 集成传感器头戴装置 |
CN101627906A (zh) * | 2009-07-30 | 2010-01-20 | 上海交通大学 | 便携式多参数健康监护*** |
CN102393874A (zh) * | 2011-07-01 | 2012-03-28 | 山东大学 | 基于脑电棘波频次的预警方法和装置 |
CN103845046A (zh) * | 2012-11-30 | 2014-06-11 | 索尼公司 | 生物信息测量装置和***、生物信息测量方法及程序 |
CN104138662A (zh) * | 2013-05-10 | 2014-11-12 | 索尼公司 | 图像显示设备和图像显示方法 |
CN103462611A (zh) * | 2013-09-09 | 2013-12-25 | 中国科学院深圳先进技术研究院 | 穿戴式的癫痫监测装置和*** |
CN103598873A (zh) * | 2013-09-27 | 2014-02-26 | 四川大学 | 一种基于自适应无线传感器网络的生理信号智能监测*** |
CN105078448A (zh) * | 2014-05-16 | 2015-11-25 | 上海理工大学 | 脑电波的采集和无线传输装置 |
Non-Patent Citations (1)
Title |
---|
袁野: "癫痫脑电的非线性方法分析", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106491126A (zh) * | 2016-11-30 | 2017-03-15 | 山东大学 | 一种动态预警癫痫发作的装置 |
CN106491126B (zh) * | 2016-11-30 | 2019-03-08 | 山东大学 | 一种动态预警癫痫发作的装置 |
CN108498069A (zh) * | 2017-02-23 | 2018-09-07 | 光宝电子(广州)有限公司 | 穿戴式电子装置及其紧急求救方法 |
CN107616793A (zh) * | 2017-09-18 | 2018-01-23 | 电子科技大学 | 一种具有癫痫发作预测功能的脑电监测装置及方法 |
CN111643067A (zh) * | 2020-06-08 | 2020-09-11 | 深圳迈拓数码科技有限公司 | 一种基于hbc的预防癫痫发作的穿戴式医疗设备 |
CN113017653A (zh) * | 2021-03-15 | 2021-06-25 | 西安交通大学 | 基于混沌检测原理的稳态视觉诱发电位识别***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105520731A (zh) | 一种基于hbc的预防癫痫发作的穿戴式医疗设备 | |
Alickovic et al. | Performance evaluation of empirical mode decomposition, discrete wavelet transform, and wavelet packed decomposition for automated epileptic seizure detection and prediction | |
Acharya et al. | Automated seizure prediction | |
CN102512153B (zh) | 一种非接触式心电监测的移动终端及心电监测方法 | |
US20200382286A1 (en) | System and method for smart, secure, energy-efficient iot sensors | |
AlSharabi et al. | A DWT-entropy-ANN based architecture for epilepsy diagnosis using EEG signals | |
Bose et al. | EEG signal analysis for Seizure detection using Discrete Wavelet Transform and Random Forest | |
Gjoreski et al. | Context-based fall detection and activity recognition using inertial and location sensors | |
CN108836324A (zh) | 一种基于脑电信号监测的疲劳驾驶预警方法及*** | |
Jiang et al. | Denoising and chaotic feature extraction of electrocardial signals for driver fatigue detection by Kolmogorov entropy | |
Saminu et al. | Epilepsy detection and classification for smart IoT devices using hybrid technique | |
Wang et al. | Classification of EEG signal using convolutional neural networks | |
Prince et al. | Brain machine interface using Emotiv EPOC to control robai cyton robotic arm | |
Kambhampati et al. | Unified framework for triaxial accelerometer‐based fall event detection and classification using cumulants and hierarchical decision tree classifier | |
Rajendran et al. | Neural network based seizure detection system using statistical package analysis | |
Sakib et al. | A feedforward neural network for drone accident prediction from physiological signals | |
Albalawi et al. | Single-channel real-time drowsiness detection based on electroencephalography | |
Krishnan et al. | Drowsiness detection using band power and log energy entropy features based on EEG signals | |
US20220031193A1 (en) | Apparatus and methods for detecting stroke in a patient | |
Ravi et al. | Real time driver fatigue detection and smart rescue system | |
Sangeetha et al. | A deep learning approach to detect microsleep using various forms of EEG signal | |
Najmaei et al. | Human factors for robot safety assessment | |
JPWO2019130840A1 (ja) | 信号処理装置、解析システム、信号処理方法および信号処理プログラム | |
Deepa et al. | EEG feature extraction and classification of Alzheimer’s disease using support vector machine classifier | |
Chowdhury et al. | Brain controlled assistive buzzer system for physically impaired people |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160427 |