CN112842328A - 基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析*** - Google Patents
基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析*** Download PDFInfo
- Publication number
- CN112842328A CN112842328A CN202110095478.7A CN202110095478A CN112842328A CN 112842328 A CN112842328 A CN 112842328A CN 202110095478 A CN202110095478 A CN 202110095478A CN 112842328 A CN112842328 A CN 112842328A
- Authority
- CN
- China
- Prior art keywords
- data
- waveform
- internet
- brain wave
- points
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 230000005021 gait Effects 0.000 title claims abstract description 26
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000001133 acceleration Effects 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims abstract description 21
- 230000006854 communication Effects 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 230000004424 eye movement Effects 0.000 claims abstract description 6
- 210000001061 forehead Anatomy 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 6
- 230000033764 rhythmic process Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 5
- 210000003205 muscle Anatomy 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 210000003423 ankle Anatomy 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 210000000624 ear auricle Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 description 21
- 238000012544 monitoring process Methods 0.000 description 19
- 238000011282 treatment Methods 0.000 description 18
- 238000007726 management method Methods 0.000 description 10
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 238000007493 shaping process Methods 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000008054 signal transmission 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
- A61B5/747—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network in case of emergency, i.e. alerting emergency services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/08—Elderly
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Critical Care (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Emergency Medicine (AREA)
- Nursing (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析***,包括:传感器、放大及转换电路处理单元、单片计算机、无线通讯控制单元和互联网数据服务器。互联网数据服务器包括一个适于实现各指令的处理器、适于存储多条指令的存贮设备。处理器对于接受到的每个移动终端发送的数据实时处理,包括眼动电波和额肌电波、步行时的加速度信号、压力波形数据,生成上述数据分析报表,以电子方式传送到医生中心工作站。本发明可以解决在各种环境状态下,利用无线移动互联网技术,实现人的行走步态、距离、相对体重、脑电波同步特征的物联网云自动分析计算问题。
Description
技术领域
本发明涉及一种在各种环境状态下,利用多信道无线移动互联网技术,实现自动计 算走步步态、距离、相对体重、脑电波特征的可穿戴***。
背景技术
当今时代互联网技术和通讯技术是引领科学技术进步的支撑力量之一,结合临床医 疗服务,在互联网平台上以无线通讯手段实现医疗信息集成交换,开创新的医疗服务模式。利用公共通讯和互联网服务平台实现医疗服务的新模式,在不稳定的移动互联网上 实现稳定的信号传输,可以节省开创此项服务的大量投资,降低使用者的成本,随之可 以将此项医疗服务扩展到农村、边远地区等地域中。是医疗信息化发展的趋势之一。在 实现了新的诊疗模式下,医疗单位的诊疗过程可以发生改变。医疗单位的服务范围扩展 了,诊断过程可以精细化分工,提供了大量的技术手段和技术服务岗位,在生物医学信 号处理技术的辅助下,自动诊断、信息化管理、多中心并发信息处理等智能诊疗技术的 实施,使医生可以借助可穿戴和互联网技术实现对患者居家的主动医疗服务,甚至医生 在回到家里的情况下也可以开展诊疗服务。针对养老中的健康问题,以及老年人医疗预 后的生活质量和健康状态,提供了重要的信息分析内容和诊疗。建立家庭医疗 (HOMECARE)服务体系,形成家庭-社区-大型医疗中心一体化的服务模式,是“基于中 心医院的以信息技术为支撑平台的区域医疗”体系的深入和具体化,对整个体系构架的 完善具有重要的意义。
老年人居家的生活质量以及脑对于行走的协调能力,是反映老年人疾病发生和康复 的主要内容,特别是体重变化以及行走距离,对于预判老年人寿命和疾病预后的主要指标。脑的协调能力优势预测老年人脑部疾病发生的有效手段,特别是建立了老年人行走 的脑电波特征表现的大数据,获得老年人的脑电波特征基础值,对于脑梗心梗的预判将 起到重要作用。目前针对老年人的可穿戴行走距离脑协同和相对体重的监护***处于空 白状态,相关研究没有涉及脑电波在行走时的特征表现,发明一种能够满足这些要求的 可穿戴传感器及互联网云计算和大数据的实时监护和分析***,具有重大社会意义和医 疗、智慧养老的价值。
发明内容:
本发明的目的是提供一种基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析***,可以解决在各种环境状态下,利用无线移动互联网技术,实现人的行走 步态、距离、相对体重、脑电波同步特征的物联网云自动分析计算问题。
为了实现上述发明目的,本发明所采用的技术方案如下:
基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析***,其特征在于,包括:
传感器,实时采集包含脑电信号、步行压力信号、步行加速度信号;
放大及转换电路处理单元,对传感器输出信号进行前置放大、模数转换处理;
单片计算机,对传感器输出的数据进行加密、压缩,将数据送到无线通讯控制单元;
无线通讯控制单元,将单片机输出数据通过TCP/IP协议包装,并直接将其发送到互 联网数据服务器;
互联网数据服务器,该互联网数据服务器包括一个适于实现各指令的处理器;以及
适于存储多条指令的存贮设备,所述指令由处理器加载并执行:
接收所有的由传感器、放大及转换电路处理单元和单片机组成的移动信息采集传输 终端发送的数据,每个移动信息采集传输终端设定唯一的地址编码,由机器号加服务器的固定IP地址组成:
对于接受到的每个移动终端发送的数据实时处理,包括自动分解脑电波数据中混合 的眼动电波和额肌电波;
对于步行时的加速度信号,计算加速度波形的特征数值,计算采用复合算法,模式识别、波形识别、微积分;提取出波形中包括斜率、变化率、波形面积、拐点数据,整 合为一个指数,反应行走距离;
对于压力波形数据,计算两点的时间间隔,实时计算两点的幅度数值,求取当前幅度和标准幅度的占比;
生成上述数据分析报表,以电子方式传送到医生中心工作站。
基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析***,传感器包括第一单元,生理、生命信号采集换能器,第二单元,生命信息采集传输终端主机;脑 电、体重、加速度传感器的波形信号采集换能器,连续采集额部双侧的脑电波和行走时 的重力、加速度,包括一组金属电极片和压力、加速度传感器;金属电极传感脑电波信 号的波形数据,金属电极分为左侧框上部位和右侧框上部位两个脑电信号的引导电极, 以及双耳耳垂部两个脑电信号参考电极,组合后分别采集左右脑的脑电波信号;重力和 加速度传感器配置于脚底和脚腕部位,分别采集行走时的加速度波形和重力压力波形信 号。
所述自动分解脑电波数据中混合的眼动电波和额肌电波,以采样频率为500/s、采样 时间窗口为2.5s、采样精度为10位bite的离散化处理,采用波形识别、功率谱分析算法,采用功率谱公式:
可以获得脑电波中功率谱的各个成分,包括αβδθ波段的数值,Fsef,Fmax等边缘频率,优势频率等数值:
F={α,β,δ,θ,Fsef,Fmax};
针对脑电波原始波形数据,求取分布于脑电图的常规节律和高频节律;采用模式识 别算法中的波形识别算法提取出数据的特征点:
T(x)∈z;
T:特征值向量;x:脑电波离散数据;z:时域空间;
向量T(x)中的特征数据包含特异点、幅度、变异、斜率、面积,计算来自于基本算法: 数据序列:
y(t)=(f(j)-f(j-1))/Δt
j:离散数据下标;f(j):脑电波原始数据函数
获取序列y(t)中最大数值,可以获得特征指数之一,其中的正负反相点,就是特异点,特异点的数量由t值的大小表示;
对f(j)序列数据施加迭代微分算法:
d(j,k)=∑(f(j+k)-f(j+k-1)/(Δt+k))
Δt:采样时间间隔;k:Δt的增量,从1..N,j:数值序号;
对于矩阵d(j,k)中的各个向量,将向量中的数据点排序以及相加,选取每个向量中的最大值和相加和,作为斜率和幅度,获得脑电波时域中的特征向量:
T(x)∈z;
结合波形识别所得到的特征向量,组合成为一组涵盖了时域和频域的数据向量组:
G(x)={T,F};
j:特征值序号;
数据向量G(x)组,作为脑电波的一次处理结果,被命名为脑电波一级处理的元数据 组,可以被作为二次计算的基础数据;经过数据加权,得到以下计算公式:
E={c}*{G};
c:加权系数;
对E数据施加归一化计算:
行走脑电波特征指标D=(exp(E))×100。
所述对于步行时的加速度信号,计算加速度波形的特征数值,计算采用复合算法,模式识别、波形识别、微积分;提取出波形中包括斜率、变化率、波形面积、拐点数据, 整合为一个指数,反应行走距离;以采样频率为1500/秒、连续数据点计算、采样精度为 10位bite的离散化处理,生成波形信号的向量组:
Xi=[x1 x2 x3 … xm-2 xm-1 xm]
其中,m为向量中元素个数,m数值可变,求得波形数据的一个极值变化时的值为准; 元素x:波形某点的幅值,并且相邻两元素间的时间间隔Δt相等;
对于上述的向量数值,求取特征组{a,b,c,d}的各个点的数值;对向量实施微分计算:
y(j)=x(j)-x(j-1)/Δt
j=0,1,2,,m
获取y(j)中最大数值,可以获得特征指(a),其中的正负反相点,就是特征值(b)和特征值(d)、特征值(c),对向量数据施加迭代微分算法:
y(j,i)=∑(x(j+i)-x(j+i-1)/(Δt+i))
i为Δt的增量,从1..N,j是从点(b)至点(d)之间的数值序号;
对于矩阵y(j,i)中的各个向量,选取向量中最小值,对应的j点代表了图中的(c)点;
计算点(a)和点(b)之间的斜率和积分:
H=[a-b]/Δt
T=∫y(i)*Δt i=a,,b
计算点(b)和点(c)之间的积分:
T1=∫y(i)*Δt i=b,,c
计算点(c)和点(d)之间的积分:
T2=∫y(i)*Δt i=c,,d
求得步态指数:
P=((T*H)+T1+T2)*L/G
L为点(a)和点(d)之间的距离,G为选定的变异率常数;
指数化P,得到步态指数
Bi=(1-1/exp(P))×100。
对于压力波形数据,计算a、d点的时间间隔Δt,实时计算a、b点的幅度数值h,求取走一步的距离和相对体重:
L=(Δt*Bi)*p;
W=h*q;
p:距离换算系数,常数;Bi:步态指数;Δt:时间间隔;h:幅度数值;q:相对体 重系数,常数。
本发明的优点及积极效果:
本发明能够实现对监护人的行走状态进行分析及监护的目的。包括移动生理信号采 集传输终端以及相关中心数据服务器、中心处理工作站、无线互联网等。本发明可以实时分析老年人居家的生活质量以及脑对于行走的协调能力,进而反映老年人疾病发生和康复的过程中的情况,特别是体重变化以及行走距离,对于预判老年人寿命和疾病预后 起到重要的帮助。脑的协调能力优势预测老年人脑部疾病发生的有效手段,特别是建立 了老年人行走的脑电波特征表现的大数据,获得老年人的脑电波特征基础值,对于脑梗 心梗的预判能够起到重要作用。填补了目前针对老年人的可穿戴行走距离脑协同和相对 体重的监护***的空白状态,具有重大的社会意义和医疗、智慧养老的价值。
附图说明
图1是本发说明的***电路原理框图。
图2是步行加速度波形示意图。
图3是压力波形数据示意图。
具体实施方式
本发明的***组成参见图1所示,包括:传感器、放大及转换电路处理单元、单片计算机、无线通讯控制单元、互联网数据服务器。
无线移动的脑电波数据和走步距离、相对体重、步态数据的网络化实时同步采集和 传输,网络化自动计算体重变化、步态变化、距离变化和大脑神经功能的行走特征指标,采用集成化多导生理信号的无线移动生命数据采集传输终端,实时采集包含脑电信号、 步行压力信号、步行加速度信号的传感器输出(采用HXD系列模块产品),经由前置放 大、模数转换,进入单片计算机单元,再通过数据加密、压缩后,由无线通讯控制单元 的TCP/IP协议包装并直接发送到互联网数据服务器,服务器中的软件***对接收到的生 理信号实时处理计算、存储、转发,其中计算部分采用模糊识别分析、相关性分析、小 波分析、谱分析的多种算法,提取出有关行走中的步态变化、体重变化、距离变化以及 大脑神经功能的行走特征表达,并将计算结果通过无线互联网平台或医院的内网实时传 输到中心工作站或医生的移动通讯终端显示。计算结果中有关危及生命的数据,如跌倒、 脑功能紊乱触发报警功能,报警信息经由服务器实时发送至互联网平台,实时到达医生 或家人、制定服务人员的计算机或手机终端上,触发一次报警服务。
所述的传感器包括:加速度触感器、压力传感器、脑电波传感器,加速度传感器和压力传感器集成在一条空心管线上,信号输出连接到单片计算机单元,脑电传感信号也 接入单片计算机单元,由此单元将信号整合并发送至互联网平台。此单元可佩带在人体 的腰部。
使用者在行走时佩戴传感器,监测步态、距离、体重和大脑神经功能的行走特征,通过无线移动互联网平台,利用多个GPRS、3G通道,实时传输到数据中心服务器,其特 征在于:在多种通讯模式中,可选择4G、5G、WIFI的模式,实现远近程、多环境、双向 共享、实时互动的多通道数据交换模式,对于采集的多导联生理信息,单片计算机的中 心计算控制单元实时加工、加密、压缩、打包,实现动态存储队列管理,识别通讯线路, 自动切换通讯模式,控制通讯发送。实时数据包经由无线互联网平台,直接发送到数据 服务器中。数据传输过程中,采用数据单元叠加地址信息和时间信息的数据结构,重复 发送数据单元,克服互联网通讯误差产生的丢包后造成有效数据的丢失,保证服务器端 数据接收的完整性和可靠性。
本发明具体结构及工作原理:
集成在一体的脑电、体重、加速度传感器的波形信号采集换能器,连续采集额部双侧的脑电波和行走时的重力、加速度,包括一组金属电极片和压力、加速度传感器。金 属电极传感脑电波信号的波形数据,金属电极分为左侧框上部位和右侧框上部位两个脑 电信号的引导电极,以及双耳耳垂部两个脑电信号参考电极。组合后分别采集左右脑的 脑电波信号,电极设计经过理化处理,在形状上和电位极化上满足干电极采集波形信号 的应用要求,不需对信号采集点附近的皮肤做专业处理,就可以方便的采集到符合医疗 标准的脑电波信号,重力和加速度传感器配置于脚底和脚腕部位,分别采集行走时的加速 度波形和重力压力波形信号。
终端主机完成生理信号和生命体症信号的放大、整形、转换接受、加密、打包、通讯等工作。其中包含信号转换电路、信号放大电路、滤波电路等信号整形放大电路,以 及中心计算控制管理电路、通讯接口电路、动态数据链路缓存电路、无线互联网络接入 控制和自动分包上传电路、电源电路等部分;各部分之间的连接关系如下:通过人体的 脑电、走步中的体重、迈步时的加速度等生理和物理信号,转换成相应的电信号和计算 机数值信号,电信号送入监护电路的滤波、噪音控制、放大输入部分,经相应监护模块 (HXD_I)的各自计算处理、加工后,再经由模块的模拟信号输入口,分别送入中心计算 控制管理电路的模、数转换电路,生命数值信号经由RS232接口电路送入中心计算控制 管理电路的通讯接口中;中心计算控制管理电路获得数字化的上述生命数据后,分别加 密、压缩;得到处理后的数据流,送入动态数据链路缓存队列中;动态数据链路缓存队 列是变化的数据存储和输出结构;根据网络状态的不同,数据在存储区域内的结构不同; 由计算控制管理部分在获得网络状态变化的中断事件触发后,控制采集到的数据的不同 排列组合;在写指令控制下,写入存储队列的数据缓冲区;队列中的数据在计算控制管 理电路的读指令控制下,经数据端口输出到无线互联网络接入控制电路;互联网络接入 控制电路部分完成对网络的自动拨号、网络状态识别、TCP/IP模式信号调制、分包、输 出的功能,上传至数据存储服务器和数据计算服务器;
***中的数据中心服务器、移动生理信号采集传输终端、中心处理工作站之间通过 互联网实现数据之间的交换,采用无线互联网接入GPRS传输技术(中移动手机通讯模式),以无线方式经由互联网实时传输患者生理多导信号至数据中心服务器、中心处理 工作站,完成实时互动信号采集调整,生理多导信号存储,实时数据自动预分析等互动 监控任务。中心处理工作站完成数据回顾浏览、数据自动分析、分析结果手工校正、报 告单据生成等项任务。中心工作站可以是连接互联网的任意一台计算机,也可以是通过 医院信息中心互联网接入映射到医院内网络上的任意一台医生工作站。实现无线网络化 区域并发多终端数据采集、多中心诊疗监控分析处理功能,并通过无线网络传输实现对 睡眠呼吸疾患相关诊疗信息的实时在线管理和分析、统计、存储记录。传输信息将以规 范化格式集成到院方HIS***中。信息采集、记录、监控的时间长度不限,可以贯穿到 疾患诊疗的全过程。无线移动多导生理信号数据采集传输终端以直流供电方式工作,充 分保证诊疗的安全性。平台的架构示意如图2所示。
基于无线互联网通讯的广域无线移动步态、距离、相对体重、脑电波行走特征指标的网络化监护分析计算***的诊疗流程如下所述:
1)患者家庭或在医院场合由诊疗服务人员为患者配戴电极传感器,服务人员配代移 动电脑,可以实时接收采集的信号,观察信号质量,同时,中心监控工作站同步观看采集的 信号,利用即时通讯方式,互动调整传感器位置,确保信号采集的质量。
2)移动信息采集传输终端自动完成信息采集并同步实时发送至数据中心服务器和系 统中心工作站上实时分析及存储。
3)在远程终端信息传输出现问题时,中心监控工作站以声、光报警,提示值班人员处理异常情况。
4)信号采集结束后,利用数据分析工作站调取相关患者行走的监测数据,自动分析、 手动校正,生成数据分析报表,以电子方式传送到医生中心工作站。
采用典型的多中心分布式服务模式,无线网络化信息功能区覆盖的可以为一个社区 中心、区、县,乃至全国范围。功能区内设置的网络服务器作为数据转发、存储和共享 的角色。功能区内的无线移动生理信号采集传输终端可以是独立的唯一标识地址,功能 区设定最大生理信号采集传输终端的数量。数据传输以加密缓存方式实现,保证数据的 完整和隐私保护。为了保障网络服务器的工作稳定可靠,建议采用双机热备份外接光纤 磁盘阵列的方式进行冗余,同时可阶段性进行人工或自动的磁带机或DVD的外存储备份 方式,进一步提高灾备可靠性。网络服务器最重要的功能是需要通过宽带接入Internet, 以便安置于患者身边的多种无线移动诊断、治疗、监护终端可以将数据通过无线互联网 实时上传,考虑到实施环境和地理位置,可采用北京联通的DDN专线接入方式,同时要 求接入带宽不低于4M。关于接入互联网所需配套设备可能涉及路由器、交换机、防火墙 等,均可根据不同配置需要及安全防护需求定制。
设置于医疗机构的中心处理工作站可采用普通计算机实现,完成其所负责患者的生 理多导信号的分析、诊断、监控、反馈调控工作。每台计算机需要通过宽带接入至互联网或互联网映射到院内内网的定点网络节点,根据每个工作站的地理位置及摆放情况, 可选择采用有线接入方式,还可以采用如HSDPA、TD-SCDMA、EVDO(CDMA2000)或WCDMA 的无线上网设备直接接入互联网。中心诊疗分析处理监控工作站的数据均来源于由功能 区内设置的网络服务器转发的无线移动生理信号采集传输终端设备的实时数据。
中心工作站是作为应用软件载体使用。根据功能划分,可以组成诊断数据分析中心 或监控治疗数据控制中心、医生诊断工作站。数据分析处理工作站对数据具有自动分析和人工校正的功能,可以是多台计算机同时作为数据分析处理工作站,各工作站以同步 协调方式联合展开一个患者的生理多导数据分析或多个患者的独立数据分析。结果回送 数据中心服务器和各相关医生的诊断计算机工作站。
中心诊疗分析处理监控工作站和服务器组成的数据中心之间以C/S模式组网。满足 数据处理和显示的实时性要求。中心诊疗监控工作站和医生个人电脑或医生诊断工作站 之间可以采用B/S模式,以浏览器方式获取分析处理的结果。
在更广阔的区域,如城际、省级甚至国家、国际范围,还可以通过将多个功能区域信息共享的方式,即在各自中心诊疗监控工作站上配置不同的应用服务软件,在权限匹 配原则和安全原则下,点选相应的功能区域名称,就可以实现不同功能区域的信息交换, 实现广域范畴的临床医学信息采集、共享和分析,具体实现方式可根据需要通过互联网 或专网实现。
数据中心服务器管理所有的移动信息采集传输终端发送的数据,每个终端设定唯一 的地址编码,由机器号加服务器的固定IP地址组成:
终端机器地址=组网范围内的唯一地址号+组网服务器的固定IP地址
组网内最大机器数量=65535
移动信息采集传输终端对于转换成数字信号的数据实施加密化处理和压缩。整合的 数据流进入链路存储队列中。数据窗口为8个bety
L流窗口=wavelet(m1+m2+m3+m4+addr+asyn+data1+data2)
m1,m2,m3,m4为模块传送的数据,asyn为同步,data为数据和加密包
医务人员的个人电脑可以通过internet互联网在相应权限下直接获取不同使 用者的步行信息,个人电脑上要安装专用软件包。权限管理要划入医院或健康 管理中心整体管理权限范围。同时,所有操作记录将发回数据中心服务器,作 为追踪、挖掘、分析的原始数据保存。医患之间和一线二线医生之间的实时在 线互动由连接在服务器端的计算机或个人移动通讯终端之间实现,交流信息通 过服务器的双向转发,达到实时双向通讯的目的。实时互动功能由***软件功 能实现。
中心工作站对于接受到的每个移动终端发送的数据实时处理,自动分解脑电波数据 中混合的眼动电波和额肌电波,以采样频率为500/s、采样时间窗口为2.5s、采样精度为10位bite的离散化处理,采用波形识别、功率谱分析算法,采用功率谱公式:
可以获得脑电波中功率谱的各个成分,包括αβδθ波段的数值,Fsef,Fmax等边缘频率,优势频率等数值:
F={α,β,δ,θ,Fsef,Fmax};
针对脑电波原始波形数据,求取分布于脑电图的常规节律和高频节律;采用模式识 别算法中的波形识别算法提取出数据的特征点:
T(x)∈z;
T:特征值向量;x:脑电波离散数据;z:时域空间;
向量T(x)中的特征数据包含特异点、幅度、变异、斜率、面积,计算来自于基本算法:
数据序列:
y(t)=(f(j)-f(j-1))/Δt
j:离散数据下标;f(j):脑电波原始数据函数
获取序列y(t)中最大数值,可以获得特征指数之一,其中的正负反相点,就是特异点,特异点的数量由t值的大小表示;
对f(j)序列数据施加迭代微分算法:
d(j,k)=∑(f(j+k)-f(j+k-1)/(Δt+k))
Δt:采样时间间隔;k:Δt的增量,从1..N,j:数值序号;
对于矩阵d(j,k)中的各个向量,将向量中的数据点排序以及相加,选取每个向量中的最大值和相加和,作为斜率和幅度,获得脑电波时域中的特征向量:
T(x)∈z;
结合波形识别所得到的特征向量,组合成为一组涵盖了时域和频域的数据向量组:
G(x)={T,F};
j:特征值序号。
数据向量G(x)组,作为脑电波的一次处理结果,被命名为脑电波一级处理的元数据 组,可以被作为二次计算的基础数据;经过数据加权,得到以下计算公式:
E={c}*{G};
c:加权系数;
对E数据施加归一化计算:
行走脑电波特征指标D=(exp(E))×100
对于步行时的加速度信号,计算加速度波形的特征数值,计算采用复合算法,模式识别、波形识别、微积分;提取出波形中包括斜率、变化率、波形面积、拐点数据,整 合为一个指数,反应行走距离。
针对图2所示的步行加速度波形,以采样频率为1500/秒、连续数据点计算、采样精度为10位bite的离散化处理,生成波形信号的向量组:
Xi=[x1 x2 x3 … xm-2 xm-1 xm]
其中,m为向量中元素个数,m数值可变,求得波形数据的一个极值变化时的值为准。 元素x:波形某点的幅值,并且相邻两元素间的时间间隔Δt相等。
对于上述的向量数值,求取特征组{a,b,c,d}的各个点的数值。对向量实施微分计算:
y(j)=x(j)-x(j-1)/Δt
j=0,1,2,,m
获取y(j)中最大数值,可以获得特征指(a),其中的正负反相点,就是特征值(b)和特征值(d)、特征值(c),对向量数据施加迭代微分算法:
y(j,i)=∑(x(j+i)-x(j+i-1)/(Δt+i))
i为Δt的增量,从1..N,j是从点(b)至点(d)之间的数值序号。
对于矩阵y(j,i)中的各个向量,选取向量中最小值,对应的j点代表了图中的(c)点。
计算点(a)和点(b)之间的斜率和积分:
H=[a-b]/Δt
T=∫y(i)*Δt i=a,,b
计算点(b)和点(c)之间的积分:
T1=∫y(i)*Δt i=b,,c
计算点(c)和点(d)之间的积分:
T2=∫y(i)*Δt i=c,,d
求得步态指数:
P=((T*H)+T1+T2)*L/G
L为点(a)和点(d)之间的距离,G为选定的变异率常数。
指数化P,得到步态指数
Bi=(1-1/exp(P))×100
参见图3所示,对于压力波形数据,计算a、d点的时间间隔Δt,实时计算a、b点 的幅度数值h,求取走一步的距离和相对体重:
L=(Δt*Bi)*p;
W=h*q;
p:距离换算系数,常数;Bi:步态指数;Δt:时间间隔;h:幅度数值;q:相对体 重系数,常数。
Claims (5)
1.基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析***,其特征在于,包括:
传感器,实时采集包含脑电信号、步行压力信号、步行加速度信号;
放大及转换电路处理单元,对传感器输出信号进行前置放大、模数转换处理;
单片计算机,对传感器输出的数据进行加密、压缩,将数据送到无线通讯控制单元;
无线通讯控制单元,将单片机输出数据通过TCP/IP协议包装,并直接将其发送到互联网数据服务器;
互联网数据服务器,该互联网数据服务器包括一个适于实现各指令的处理器;以及适于存储多条指令的存贮设备,所述指令由处理器加载并执行:
接收所有的由传感器、放大及转换电路处理单元和单片机组成的移动信息采集传输终端发送的数据,每个移动信息采集传输终端设定唯一的地址编码,由机器号加服务器的固定IP地址组成:
对于接受到的每个移动终端发送的数据实时处理,包括自动分解脑电波数据中混合的眼动电波和额肌电波;
对于步行时的加速度信号,计算加速度波形的特征数值,计算采用复合算法,模式识别、波形识别、微积分;提取出波形中包括斜率、变化率、波形面积、拐点数据,整合为一个指数,反应行走距离。
对于压力波形数据,计算两点的时间间隔,实时计算两点的幅度数值,求取当前幅度和标准幅度的占比;
生成上述数据分析报表,以电子方式传送到医生中心工作站。
2.根据权利要求1所述的基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析***;脑电、体重、加速度传感器的波形信号采集换能器,连续采集额部双侧的脑电波和行走时的重力、加速度,包括一组金属电极片和压力、加速度传感器;金属电极传感脑电波信号的波形数据,金属电极分为左侧框上部位和右侧框上部位两个脑电信号的引导电极,以及双耳耳垂部两个脑电信号参考电极,组合后分别采集左右脑的脑电波信号;重力和加速度传感器配置于脚底和脚腕部位,分别采集行走时的加速度波形和重力压力波形信号。
3.根据权利要求1所述的基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析***,其特征在于,所述自动分解脑电波数据中混合的眼动电波和额肌电波,以采样频率为500/s、采样时间窗口为2.5s、采样精度为10位bite的离散化处理,采用波形识别、功率谱分析算法,采用功率谱公式:
可以获得脑电波中功率谱的各个成分,包括αβδθ波段的数值,Fsef,Fmax等边缘频率,优势频率等数值:
F={α,β,δ,θ,Fsef,Fmax};
针对脑电波原始波形数据,求取分布于脑电图的常规节律和高频节律;采用模式识别算法中的波形识别算法提取出数据的特征点:
T(x)∈z;
T:特征值向量;x:脑电波离散数据;z:时域空间;
向量T(x)中的特征数据包含特异点、幅度、变异、斜率、面积,计算来自于基本算法:
数据序列:
y(t)=(f(j)-f(j-1))/Δt
j:离散数据下标;f(j):脑电波原始数据函数
获取序列y(t)中最大数值,可以获得特征指数之一,其中的正负反相点,就是特异点,特异点的数量由t值的大小表示;
对f(j)序列数据施加迭代微分算法:
d(j,k)=∑(f(j+k)-f(j+k-1)/(Δt+k))
Δt:采样时间间隔;k:Δt的增量,从1..N,j:数值序号;
对于矩阵d(j,k)中的各个向量,将向量中的数据点排序以及相加,选取每个向量中的最大值和相加和,作为斜率和幅度,获得脑电波时域中的特征向量:
T(x)∈z;
结合波形识别所得到的特征向量,组合成为一组涵盖了时域和频域的数据向量组:
G(x)={T,F};
j:特征值序号;
数据向量G(x)组,作为脑电波的一次处理结果,被命名为脑电波一级处理的元数据组,可以被作为二次计算的基础数据;经过数据加权,得到以下计算公式:
E={c}*{G};
c:加权系数;
对E数据施加归一化计算:
行走脑电波特征指标D=(exp(E))×100。
4.根据权利要求1所述的基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析***,其特征在于,所述对于步行时的加速度信号,计算加速度波形的特征数值,计算采用复合算法,模式识别、波形识别、微积分;提取出波形中包括斜率、变化率、波形面积、拐点数据,整合为一个指数,反应行走距离;以采样频率为1500/秒、连续数据点计算、采样精度为10位bite的离散化处理,生成波形信号的向量组:
Xi=[x1 x2 x3 … xm-2 xm-1 xm]
其中,m为向量中元素个数,m数值可变,求得波形数据的一个极值变化时的值为准;元素x:波形某点的幅值,并且相邻两元素间的时间间隔Δt相等;
对于上述的向量数值,求取特征组{a,b,c,d}的各个点的数值;对向量实施微分计算:
y(j)=x(j)-x(j-1)/Δt
j=0,1,2,,m
获取y(j)中最大数值,可以获得特征指(a),其中的正负反相点,就是特征值(b)和特征值(d)、特征值(c),对向量数据施加迭代微分算法:
y(j,i)=∑(x(j+i)-x(j+i-1)/(Δt+i))
i为Δt的增量,从1..N,j是从点(b)至点(d)之间的数值序号;
对于矩阵y(j,i)中的各个向量,选取向量中最小值,对应的j点代表了图中的(c)点;
计算点(a)和点(b)之间的斜率和积分:
H=[a-b]/Δt
T=∫y(i)*Δt i=a,,b
计算点(b)和点(c)之间的积分:
T1=∫y(i)*Δt i=b,,c
计算点(c)和点(d)之间的积分:
T2=∫y(i)*Δt i=c,,d
求得步态指数:
P=((T*H)+T1+T2)*L/G
L为点(a)和点(d)之间的距离,G为选定的变异率常数;
指数化P,得到步态指数
Bi=(1-1/exp(P))×100。
5.根据权利要求1所述的基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析***,其特征在于,对于压力波形数据,计算a、d点的时间间隔Δt,实时计算a、b点的幅度数值h,求取走一步的距离和相对体重:
L=(Δt*Bi)*p;
W=h*q;
p:距离换算系数,常数;Bi:步态指数;Δt:时间间隔;h:幅度数值;q:相对体重系数,常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110095478.7A CN112842328A (zh) | 2021-01-25 | 2021-01-25 | 基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110095478.7A CN112842328A (zh) | 2021-01-25 | 2021-01-25 | 基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112842328A true CN112842328A (zh) | 2021-05-28 |
Family
ID=76008387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110095478.7A Pending CN112842328A (zh) | 2021-01-25 | 2021-01-25 | 基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112842328A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113812964A (zh) * | 2021-08-02 | 2021-12-21 | 杭州航弈生物科技有限责任公司 | 脑电特征的代理测量及伪多模态冻结步态检测方法、装置 |
CN114420251A (zh) * | 2022-03-30 | 2022-04-29 | 南京麦澜德医疗科技股份有限公司 | 适配于超声波子宫复旧仪的康复数据传输***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0816986A2 (en) * | 1996-07-03 | 1998-01-07 | Hitachi, Ltd. | Method, apparatus and system for recognizing motions |
WO2013054257A1 (en) * | 2011-10-09 | 2013-04-18 | The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center | Virtual reality for movement disorder diagnosis and/or treatment |
US20130204545A1 (en) * | 2009-12-17 | 2013-08-08 | James C. Solinsky | Systems and methods for sensing balanced-action for improving mammal work-track efficiency |
CN103679171A (zh) * | 2013-09-24 | 2014-03-26 | 暨南大学 | 基于人体重心轨迹分析的步态特征提取方法 |
CN107184205A (zh) * | 2017-04-28 | 2017-09-22 | 北京易飞华通科技开发有限公司 | 基于脑的记忆刻度和诱导捕捉的自动知识记忆牵引方法 |
-
2021
- 2021-01-25 CN CN202110095478.7A patent/CN112842328A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0816986A2 (en) * | 1996-07-03 | 1998-01-07 | Hitachi, Ltd. | Method, apparatus and system for recognizing motions |
US20130204545A1 (en) * | 2009-12-17 | 2013-08-08 | James C. Solinsky | Systems and methods for sensing balanced-action for improving mammal work-track efficiency |
WO2013054257A1 (en) * | 2011-10-09 | 2013-04-18 | The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center | Virtual reality for movement disorder diagnosis and/or treatment |
CN103679171A (zh) * | 2013-09-24 | 2014-03-26 | 暨南大学 | 基于人体重心轨迹分析的步态特征提取方法 |
CN107184205A (zh) * | 2017-04-28 | 2017-09-22 | 北京易飞华通科技开发有限公司 | 基于脑的记忆刻度和诱导捕捉的自动知识记忆牵引方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113812964A (zh) * | 2021-08-02 | 2021-12-21 | 杭州航弈生物科技有限责任公司 | 脑电特征的代理测量及伪多模态冻结步态检测方法、装置 |
CN113812964B (zh) * | 2021-08-02 | 2023-08-04 | 杭州航弈生物科技有限责任公司 | 脑电特征的代理测量及伪多模态冻结步态检测方法、装置 |
CN114420251A (zh) * | 2022-03-30 | 2022-04-29 | 南京麦澜德医疗科技股份有限公司 | 适配于超声波子宫复旧仪的康复数据传输***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Massé et al. | Miniaturized wireless ECG monitor for real-time detection of epileptic seizures | |
CN103876743B (zh) | 无线移动互联网自动计算的睡眠呼吸暂停信息交换方法 | |
Lin et al. | An intelligent telecardiology system using a wearable and wireless ECG to detect atrial fibrillation | |
CN107788976A (zh) | 基于振幅整合脑电图的睡眠监测*** | |
CN102232828B (zh) | 无线多参数近远程实时监护*** | |
CN102054118B (zh) | 一种远程医疗*** | |
CN103876708B (zh) | 疼痛应激及主观感受、疼痛治疗的无线移动信息交换*** | |
CN105411554A (zh) | 一种无线式无创伤人体生理参数采集、检测及智能诊断*** | |
CN201993766U (zh) | 便携式远程生命多参数监护终端及构建的远程监护*** | |
CN101972141A (zh) | 面向基层医疗的心脑血管特征信号实时感知与监护*** | |
CN102117384A (zh) | 便携式远程生命多参数监护终端及构建的远程监护*** | |
CN102048580A (zh) | 一种远程医疗***的用户终端 | |
CN108053890A (zh) | 一种医养结合的老年健康服务*** | |
CN112842328A (zh) | 基于物联网的集成化步态、距离、相对体重、脑电波同步传感分析*** | |
Bonato | Advances in wearable technology for rehabilitation | |
CN107184204B (zh) | 一种脑电波中疼痛成分的提取和表达方法 | |
CN110035404A (zh) | 一种基于大数据的农村医疗健康数据采集分析与预警*** | |
CN115458169A (zh) | 一种医疗保健服务*** | |
Kańtoch et al. | Design of a wearable sensor network for home monitoring system | |
She et al. | A network-based system architecture for remote medical applications | |
US20230118304A1 (en) | System, method, portable device, computer apparatus and computer program for monitoring, characterisation and assessment of a user's cough | |
CN202548843U (zh) | 动态血压监测*** | |
Iliev et al. | A Survey on the Application of Mobile Communication Devices in Remote Cardiac Monitoring Systems | |
CN212365519U (zh) | 一种远程辅助诊疗设备及*** | |
CN215534320U (zh) | 一种用于心血管疾病与呼吸疾病识别的监测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |