CN113693604B - 一种基于佩戴者疲劳状态对肌张力等级的评估方法和装置 - Google Patents
一种基于佩戴者疲劳状态对肌张力等级的评估方法和装置 Download PDFInfo
- Publication number
- CN113693604B CN113693604B CN202111000939.4A CN202111000939A CN113693604B CN 113693604 B CN113693604 B CN 113693604B CN 202111000939 A CN202111000939 A CN 202111000939A CN 113693604 B CN113693604 B CN 113693604B
- Authority
- CN
- China
- Prior art keywords
- time domain
- electromyographic
- inputting
- constructed
- grade
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
- A61B5/224—Measuring muscular strength
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/251—Means for maintaining electrode contact with the body
- A61B5/256—Wearable electrodes, e.g. having straps or bands
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/296—Bioelectric electrodes therefor specially adapted for particular uses for electromyography [EMG]
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Physical Education & Sports Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (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
本发明提供了一种肌张力等级的评估方法和装置,其中方法包括:获取由可穿戴设备在佩戴位置采集到的表面肌电信号;提取获取到的表面肌电信号,得到所述表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级。本方案能够解决目前的可穿戴设备不能测量肌张力的技术问题。
Description
技术领域
本发明实施例涉及计算机技术领域,特别涉及一种肌张力等级的评估方法和装置。
背景技术
目前,智能手表和手环等可穿戴设备可以测量佩戴者的运动步数、心率、睡眠指数等体征数据,以记录健康状况。肌张力用于表征肌肉静止松弛状态下的紧张度,尤其对病人的康复有一定的指导意义,而目前的可穿戴设备并不具备测量肌张力的功能。
因此,目前亟待需要一种肌张力等级的评估方法和装置来解决上述技术问题。
发明内容
为了解决目前的可穿戴设备不能测量肌张力的技术问题,本发明实施例提供了一种肌张力等级的评估方法和装置。
第一方面,本发明实施例提供了一种肌张力等级的评估方法,包括:
获取由可穿戴设备在佩戴位置采集到的表面肌电信号;
提取获取到的表面肌电信号,得到所述表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级。
在一种可能的设计中,所述将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级,包括:
将得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该佩戴位置的位置标识信息;
根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;
将得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出肌张力等级。
在一种可能的设计中,所述可穿戴设备具有多个肌电传感器;
所述将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级,包括:
针对每一个肌电传感器,均执行:将由该肌电传感器得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该肌电传感器的位置标识信息;根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;将由该肌电传感器得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出该肌电传感器对应的肌张力等级;
将输出得到的数量最多的肌张力等级确定为肌张力等级的输出结果。
在一种可能的设计中,所述位置识别模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和该预设的位置对应的位置标识信息作为样本集,对预设的多层感知机进行训练,得到位置识别模型。
在一种可能的设计中,所述等级评估模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和肌张力等级作为样本集,对预设的多层感知机进行训练,得到该预设的位置对应的等级评估模型。
第二方面,本发明实施例还提供了一种肌张力等级的评估装置,包括:
获取模块,用于获取由可穿戴设备在佩戴位置采集到的表面肌电信号;
提取模块,用于提取获取到的表面肌电信号,得到所述表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
输出模块,用于将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级。
在一种可能的设计中,所述输出模块,用于执行如下操作:
将得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该佩戴位置的位置标识信息;
根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;
将得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出肌张力等级。
在一种可能的设计中,所述可穿戴设备具有多个肌电传感器;
所述输出模块,用于执行如下操作:
针对每一个肌电传感器,均执行:将由该肌电传感器得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该肌电传感器的位置标识信息;根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;将由该肌电传感器得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出该肌电传感器对应的肌张力等级;
将输出得到的数量最多的肌张力等级确定为肌张力等级的输出结果。
在一种可能的设计中,所述位置识别模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和该预设的位置对应的位置标识信息作为样本集,对预设的多层感知机进行训练,得到位置识别模型。
在一种可能的设计中,所述等级评估模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和肌张力等级作为样本集,对预设的多层感知机进行训练,得到该预设的位置对应的等级评估模型。
本发明实施例提供了一种肌张力等级的评估方法和装置,通过利用可穿戴设备获取佩戴者的表面肌电信号,并提取获取到的表面肌电信号得到第一时域特征,然后将得到的第一时域特征输入到预先构建好的等级评估模型,输出肌张力等级,如此实现了可穿戴设备能够测量人体肌张力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种肌张力等级的评估方法流程图;
图2是本发明一实施例提供的一种电子设备的硬件架构图;
图3是本发明一实施例提供的一种肌张力等级的评估装置的结构图;
图4是本发明一实施例提供的八通道肌电传感器的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,本发明实施例提供了一种肌张力等级的评估方法,该方法包括:
步骤100:获取由可穿戴设备在佩戴位置采集到的表面肌电信号;
步骤102:提取获取到的表面肌电信号,得到表面肌电信号的第一时域特征;其中,第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
步骤104:将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级。
本发明实施例中,通过利用可穿戴设备获取佩戴者的表面肌电信号,并提取获取到的表面肌电信号得到第一时域特征,然后将得到的第一时域特征输入到预先构建好的等级评估模型,输出肌张力等级,如此实现了可穿戴设备能够测量人体肌张力。
下面描述图1所示的各个步骤的执行方式。
针对步骤100,佩戴位置例如可以是佩戴者的手臂前部(即手腕处),可穿戴设备例如可以是智能手环或智能手表,可穿戴设备内置有肌电传感器,以实现对表面肌电信号的采集。
可以理解的是,上述方法的执行主体可以是终端设备,例如手机、平板电脑、笔记本电脑和台式电脑等。
针对步骤102,平均绝对值通过如下公式确定:
波形长度通过如下公式确定:
方差通过如下公式确定:
方均根通过如下公式确定:
威尔逊振幅通过如下公式确定:
其中,WAMP为威尔逊振幅,th为预设的阈值;
调整平均值通过如下公式确定:
针对步骤104,在一些实施方式中,等级评估模型是通过如下方式确定的:
根据Ashworth量表,将肌张力分为多个等级;利用液压臂力器模拟不同的肌张力等级对应的状态;
针对每一个肌张力等级,均执行:获取由可穿戴设备在标准测量位置采集到的表面肌电信号;提取获取到的表面肌电信号,得到表面肌电信号的第一时域特征;其中,第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
将该肌张力等级和得到的第一时域特征作为样本集,对预设的多层感知机进行训练,得到该等级评估模型。
在该实施例中,标准测量位置即为佩戴位置。通过训练出等级评估模型,来根据待检测的第一时域特征,输出得到此时对应的肌张力等级,由此完成可穿戴设备对肌张力等级的评估。
需要说明的是,即便一些可穿戴设备具备测量肌张力的功能,但是由于人体不同位置的肌张力大小不同,因此在测量肌张力时,需要保证可穿戴设备的佩戴位置正确,否则会导致得到的肌肉水平的结果不准确。因此,如果佩戴位置不是标准测量位置时,则会导致得到的肌肉水平的结果不准确。
在一些实施方式中,为了解决该技术问题,步骤104可以包括:
将得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该佩戴位置的位置标识信息;
根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;
将得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出肌张力等级。
在该实施例中,通过设置位置识别模型,如果当可穿戴设备佩戴位置存在误差时,可利用预先训练好的位置识别模型,得到当前佩戴位置所对应的位置标识信息;而执行主体预先存储有多个等级评估模型以及每一个佩戴位置和等级评估模型的映射关系,通过得到的位置标识信息和该映射关系可以得到当前佩戴位置对应的等级评估模型,从而输出准确的肌张力等级。
需要说明的是,本发明实施例认为的佩戴位置存在误差是指可穿戴设备在手臂的周向存在的旋转位置的误差,而非沿手臂的轴向误差。因此,例如可以预先在手臂前部的周向设置有八个位置,并对这八个位置中的每一个位置处的等级评估模型进行训练,其中训练方法和上文的训练方法一致,在此不进行赘述。
可以进一步理解的是,佩戴位置可能未正对预先在手臂前部设置的八个位置中的某个位置,因此测量结果也可能稍微不准确。
在一些实施方式中,为了解决该技术问题,步骤104可以包括:
可穿戴设备具有多个肌电传感器;
将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级,包括:
针对每一个肌电传感器,均执行:将由该肌电传感器得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该肌电传感器的位置标识信息;根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;将由该肌电传感器得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出该肌电传感器对应的肌张力等级;
将输出得到的数量最多的肌张力等级确定为肌张力等级的输出结果。
在该实施例中,通过在可穿戴设备中设置多个肌电传感器,可以得到每个肌电传感器对应位置所对应的肌张力等级,并根据数量的多少确定最终的肌张力等级,从而使得肌张力等级的评估更加准确。
在一些实施方式中,可穿戴设备可以具有三个肌电传感器,这样成本较优且易于实现三个肌电传感器的安装,例如可穿戴设备为智能手表,三个肌电传感器的设置位置分别位于智能手表表盘的内侧面的两端和中间。
在一些实施方式中,位置识别模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器(可参见图4)在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和该预设的位置对应的位置标识信息作为样本集,对预设的多层感知机进行训练,得到位置识别模型。
在该实施例中,通过对位置识别模型进行训练,有利于输出更加准确的肌张力等级的评估结果。
在一些实施方式中,等级评估模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器(可参见图4)在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和肌张力等级作为样本集,对预设的多层感知机进行训练,得到该预设的位置对应的等级评估模型。
在该实施例中,通过对等级评估模型进行训练,有利于输出更加准确的肌张力等级的评估结果。
需要说明的是,上文提到的等级评估模型的训练方法与该实施例提供的训练方法不同,上文提到的等级评估模型的训练方法是对一个位置进行数据测量和训练的,而该实施例提供的训练方法是利用多通道肌电传感器测量的数据进行训练的。
在现有技术中,如果用户在运动一段时间后,其肌肉呈现疲劳状态,而疲劳状态相对于非疲劳状态下的平均绝对值会降低,方均根上升,同时通常等级评估模型是基于非疲劳状态下的时域特征进行训练的,因此如果将在疲劳状态下提取到的时域特征作为等级评估模型的输入,则会造成评估结果不准确。
为了解决该技术问题,在步骤102和步骤104之间,上述方法还包括:
步骤A1、对获取到的表面肌电信号进行傅里叶变换并提取,得到表面肌电信号的频域特征;其中,频域特征包括平均频率、总功率、平均功率频率和中值频率;
步骤A2、基于第一时域特征和频域特征特征,确定佩戴者是否处于疲劳状态;
若是,则执行步骤A3,步骤A3、对第一时域特征进行补偿,得到第二时域特征;将得到的第二时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级;
若否,则执行步骤104。
在该实施例中,通过利用可穿戴设备获取佩戴者的表面肌电信号,并提取获取到的表面肌电信号得到第一时域特征和频域特征,基于第一时域特征和频域特征确定佩戴者是否处于疲劳状态,然后根据疲劳状态的检测结果和第一时域特征,输出肌张力等级,如此实现了可穿戴设备能够测量人体肌张力。
针对步骤A1,平均频率、总功率、平均功率频率和中值频率的获得为本领域技术人员所熟知,在此不进行赘述。
针对步骤A2,在一些实施方式中,步骤A2包括:
将第一时域特征和频域特征特征作为输入,输入到预先构建好的疲劳检测模型,输出佩戴者是否处于疲劳状态;
其中,疲劳检测模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器(可参见图4)在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的时域特征;其中,时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
对时域特征进行傅里叶变换并提取,得到频域特征;其中,频域特征包括平均频率、总功率、平均功率频率和中值频率;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的时域特征、频域特征作为输入样本集,且疲劳状态作为输出样本集,对预设的多层感知机进行训练,得到该预设的位置对应的疲劳检测模型。
在该实施例中,通过对疲劳检测模型进行训练,有利于输出更加准确的疲劳检测的检测结果。
进一步地,可穿戴设备具有多个肌电传感器;
将第一时域特征和频域特征特征作为输入,输入到预先构建好的疲劳检测模型,输出佩戴者是否处于疲劳状态,包括:
针对每一个肌电传感器,均执行:将由该肌电传感器得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该肌电传感器的位置标识信息;根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的疲劳检测模型;将由该肌电传感器得到的第一时域特征和频域特征作为输入,输入到确定出的疲劳检测模型,输出该肌电传感器对应的疲劳状态;
将输出得到的数量最多的疲劳状态确定为疲劳状态的输出结果。
在该实施例中,通过在可穿戴设备中设置多个肌电传感器,可以得到每个肌电传感器对应位置所对应的疲劳状态,并根据数量的多少确定最终的疲劳状态,从而使得疲劳状态的检测更加准确。
在一些实施方式中,可穿戴设备可以具有三个肌电传感器,这样成本较优且易于实现三个肌电传感器的安装,例如可穿戴设备为智能手表,三个肌电传感器的设置位置分别位于智能手表表盘的内侧面的两端和中间。
针对步骤A3,步骤A3中的“对第一时域特征进行补偿,得到第二时域特征”包括:
获取预设的历史时间段内的确定出的对应疲劳状态和非疲劳状态的时域特征;
基于获取到的疲劳状态和非疲劳状态的时域特征,确定时域特征包括的平均绝对值和方均根分别对应的补偿系数;
利用确定出的平均绝对值和方均根分别对应的补偿系数,对第一时域特征包括的平均绝对值和方均根进行补偿,得到第二时域特征。
在该实施例中,由于疲劳状态相对于非疲劳状态下的平均绝对值会降低,方均根上升,而通常等级评估模型是基于非疲劳状态下的时域特征进行训练的,因此如果将在疲劳状态下提取到的时域特征作为等级评估模型的输入,则会造成评估结果不准确,因此需要对时域特征包括的平均绝对值和方均根进行补偿。具体地,是基于历史数据中分别确定出的平均绝对值和方均根的补偿系数。
此外,步骤A3中具体对“将得到的第二时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级”的进一步限定可以参见下文中对“将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级”的相关表述,只需要将第一时域特征和第二时域特征进行一下替换即可,在此不进行赘述。
如图2和图3所示,本发明实施例提供了一种肌张力等级的评估装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种肌张力等级的评估装置所在电子设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示,本实施例提供的一种肌张力等级的评估装置,包括:
获取模块300,用于获取由可穿戴设备在佩戴位置采集到的表面肌电信号;
提取模块302,用于提取获取到的表面肌电信号,得到所述表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
输出模块304,用于将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级。
在本发明实施例中,获取模块300可用于执行上述方法实施例中的步骤100,提取模块302可用于执行上述方法实施例中的步骤102,输出模块304可用于执行上述方法实施例中的步骤104。
在本发明的一个实施例中,输出模块304,用于执行如下操作:
将得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该佩戴位置的位置标识信息;
根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;
将得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出肌张力等级。
在本发明的一个实施例中,所述可穿戴设备具有多个肌电传感器;
所述将输出模块304,用于执行如下操作:
针对每一个肌电传感器,均执行:将由该肌电传感器得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该肌电传感器的位置标识信息;根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;将由该肌电传感器得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出该肌电传感器对应的肌张力等级;
将输出得到的数量最多的肌张力等级确定为肌张力等级的输出结果。
在本发明的一个实施例中,所述位置识别模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和该预设的位置对应的位置标识信息作为样本集,对预设的多层感知机进行训练,得到位置识别模型。
在本发明的一个实施例中,所述等级评估模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和肌张力等级作为样本集,对预设的多层感知机进行训练,得到该预设的位置对应的等级评估模型。
在本发明的一个实施例中,还包括:变换模块和确定模块;
变换模块,用于对第一时域特征进行傅里叶变换并提取,得到频域特征;其中,频域特征包括平均频率、总功率、平均功率频率和中值频率;
确定模块,用于基于第一时域特征和频域特征特征,确定佩戴者是否处于疲劳状态;
所述输出模块,用于在佩戴者处于疲劳状态时执行:对所述第一时域特征进行补偿,得到第二时域特征;将得到的第二时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级;以及在佩戴者未处于疲劳状态时执行:将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级。
在本发明的一个实施例中,确定模块,用于执行如下操作:
将所述第一时域特征和所述频域特征特征作为输入,输入到预先构建好的疲劳检测模型,输出佩戴者是否处于疲劳状态;
其中,所述疲劳检测模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的时域特征;其中,所述时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
对所述时域特征进行傅里叶变换并提取,得到频域特征;其中,所述频域特征包括平均频率、总功率、平均功率频率和中值频率;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的时域特征、频域特征作为输入样本集,且疲劳状态作为输出样本集,对预设的多层感知机进行训练,得到该预设的位置对应的疲劳检测模型。
在本发明的一个实施例中,所述可穿戴设备具有多个肌电传感器;
确定模块在执行将所述第一时域特征和所述频域特征特征作为输入,输入到预先构建好的疲劳检测模型,输出佩戴者是否处于疲劳状态时,用于执行如下操作:
针对每一个肌电传感器,均执行:将由该肌电传感器得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该肌电传感器的位置标识信息;根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的疲劳检测模型;将由该肌电传感器得到的第一时域特征和频域特征作为输入,输入到确定出的疲劳检测模型,输出该肌电传感器对应的疲劳状态;
将输出得到的数量最多的疲劳状态确定为疲劳状态的输出结果。
在本发明的一个实施例中,输出模块在执行对所述第一时域特征进行补偿,得到第二时域特征时,用于执行如下操作:
获取预设的历史时间段内的确定出的对应疲劳状态和非疲劳状态的时域特征;
基于获取到的疲劳状态和非疲劳状态的时域特征,确定时域特征包括的平均绝对值和方均根分别对应的补偿系数;
利用确定出的平均绝对值和方均根分别对应的补偿系数,对所述第一时域特征包括的平均绝对值和方均根进行补偿,得到第二时域特征。
可以理解的是,本发明实施例示意的结构并不构成对一种肌张力等级的评估装置的具体限定。在本发明的另一些实施例中,一种肌张力等级的评估装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种肌张力等级的评估方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种肌张力等级的评估方法。
具体地,可以提供配有存储介质的***或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该***或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作***等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到***计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种肌张力等级的评估方法,其特征在于,包括:
获取由可穿戴设备在佩戴位置采集到的表面肌电信号;其中,所述佩戴位置为佩戴者的手腕处,所述可穿戴设备内置有肌电传感器;
提取获取到的表面肌电信号,得到所述表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
对获取到的表面肌电信号进行傅里叶变换并提取,得到表面肌电信号的频域特征;其中,所述频域特征包括平均频率、总功率、平均功率频率和中值频率;
将所述第一时域特征和所述频域特征作为输入,输入到预先构建好的疲劳检测模型,输出佩戴者是否处于疲劳状态;
若是,则执行:对所述第一时域特征进行补偿,得到第二时域特征;将得到的第二时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级;
若否,则执行:将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级;
所述将所述第一时域特征和所述频域特征作为输入,输入到预先构建好的疲劳检测模型,输出佩戴者是否处于疲劳状态,包括:
针对每一个肌电传感器,均执行:将由该肌电传感器得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该肌电传感器的位置标识信息;根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的疲劳检测模型;将由该肌电传感器得到的第一时域特征和频域特征作为输入,输入到确定出的疲劳检测模型,输出该肌电传感器对应的疲劳状态;
将输出得到的数量最多的疲劳状态确定为疲劳状态的输出结果;
所述对所述第一时域特征进行补偿,得到第二时域特征,包括:
获取预设的历史时间段内的确定出的对应疲劳状态和非疲劳状态的时域特征;
基于获取到的疲劳状态和非疲劳状态的时域特征,确定时域特征包括的平均绝对值和方均根分别对应的补偿系数;
利用确定出的平均绝对值和方均根分别对应的补偿系数,对第一时域特征包括的平均绝对值和方均根进行补偿,得到第二时域特征。
2.根据权利要求1所述的方法,其特征在于,所述将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级,包括:
将得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该佩戴位置的位置标识信息;
根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;
将得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出肌张力等级。
3.根据权利要求1所述的方法,其特征在于,所述可穿戴设备具有多个肌电传感器;
所述将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级,包括:
针对每一个肌电传感器,均执行:将由该肌电传感器得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该肌电传感器的位置标识信息;根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;将由该肌电传感器得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出该肌电传感器对应的肌张力等级;
将输出得到的数量最多的肌张力等级确定为肌张力等级的输出结果。
4.根据权利要求2或3所述的方法,其特征在于,所述位置识别模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和该预设的位置对应的位置标识信息作为样本集,对预设的多层感知机进行训练,得到位置识别模型。
5.根据权利要求2或3所述的方法,其特征在于,所述等级评估模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和肌张力等级作为样本集,对预设的多层感知机进行训练,得到该预设的位置对应的等级评估模型。
6.一种肌张力等级的评估装置,其特征在于,包括:
获取模块,用于获取由可穿戴设备在佩戴位置采集到的表面肌电信号;其中,所述佩戴位置为佩戴者的手腕处,所述可穿戴设备内置有肌电传感器;
提取模块,用于提取获取到的表面肌电信号,得到所述表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
变换模块,用于对所述第一时域特征进行傅里叶变换并提取,得到频域特征;其中,所述频域特征包括平均频率、总功率、平均功率频率和中值频率;
确定模块,用于将所述第一时域特征和所述频域特征作为输入,输入到预先构建好的疲劳检测模型,输出佩戴者是否处于疲劳状态;
输出模块,用于在佩戴者处于疲劳状态时执行:对所述第一时域特征进行补偿,得到第二时域特征;将得到的第二时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级;以及在佩戴者未处于疲劳状态时执行:将得到的第一时域特征作为输入,输入到预先构建好的等级评估模型,输出肌张力等级;
所述确定模块在执行将所述第一时域特征和所述频域特征作为输入,输入到预先构建好的疲劳检测模型,输出佩戴者是否处于疲劳状态时,用于执行如下操作:
针对每一个肌电传感器,均执行:将由该肌电传感器得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该肌电传感器的位置标识信息;根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的疲劳检测模型;将由该肌电传感器得到的第一时域特征和频域特征作为输入,输入到确定出的疲劳检测模型,输出该肌电传感器对应的疲劳状态;
将输出得到的数量最多的疲劳状态确定为疲劳状态的输出结果;
所述输出模块在执行对所述第一时域特征进行补偿,得到第二时域特征时,用于执行如下操作:
获取预设的历史时间段内的确定出的对应疲劳状态和非疲劳状态的时域特征;
基于获取到的疲劳状态和非疲劳状态的时域特征,确定时域特征包括的平均绝对值和方均根分别对应的补偿系数;
利用确定出的平均绝对值和方均根分别对应的补偿系数,对所述第一时域特征包括的平均绝对值和方均根进行补偿,得到第二时域特征。
7.根据权利要求6所述的装置,其特征在于,所述输出模块,用于执行如下操作:
将得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该佩戴位置的位置标识信息;
根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;
将得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出肌张力等级。
8.根据权利要求6所述的装置,其特征在于,所述可穿戴设备具有多个肌电传感器;
所述输出模块,用于执行如下操作:
针对每一个肌电传感器,均执行:将由该肌电传感器得到的第一时域特征作为输入,输入到预先构建好的位置识别模型,输出该肌电传感器的位置标识信息;根据输出得到的位置标识信息,确定与该位置标识信息相对应的预先构建好的等级评估模型;将由该肌电传感器得到的第一时域特征作为输入,输入到确定出的等级评估模型,输出该肌电传感器对应的肌张力等级;
将输出得到的数量最多的肌张力等级确定为肌张力等级的输出结果。
9.根据权利要求7或8所述的装置,其特征在于,所述位置识别模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和该预设的位置对应的位置标识信息作为样本集,对预设的多层感知机进行训练,得到位置识别模型。
10.根据权利要求7或8所述的装置,其特征在于,所述等级评估模型是通过如下方式确定的:
获取由呈环形设置的多通道肌电传感器在佩戴者的手臂中预设的多个位置采集到的多组表面肌电信号;
提取获取到的多组表面肌电信号,得到每一组表面肌电信号的第一时域特征;其中,所述第一时域特征包括平均绝对值、波形长度、方差、方均根、威尔逊振幅和调整平均值;
针对每一个预设的位置,将该预设的位置对应的表面肌电信号的第一时域特征和肌张力等级作为样本集,对预设的多层感知机进行训练,得到该预设的位置对应的等级评估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111000939.4A CN113693604B (zh) | 2021-08-30 | 2021-08-30 | 一种基于佩戴者疲劳状态对肌张力等级的评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111000939.4A CN113693604B (zh) | 2021-08-30 | 2021-08-30 | 一种基于佩戴者疲劳状态对肌张力等级的评估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113693604A CN113693604A (zh) | 2021-11-26 |
CN113693604B true CN113693604B (zh) | 2022-04-08 |
Family
ID=78656463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111000939.4A Active CN113693604B (zh) | 2021-08-30 | 2021-08-30 | 一种基于佩戴者疲劳状态对肌张力等级的评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113693604B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115067949B (zh) * | 2022-08-22 | 2022-11-18 | 深圳市鑫正宇科技有限公司 | 一种基于可穿戴设备对肌张力进行检测的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108127669A (zh) * | 2018-02-08 | 2018-06-08 | 华南理工大学 | 一种基于动作融合的机器人示教***及实施方法 |
CN109765996A (zh) * | 2018-11-23 | 2019-05-17 | 华东师范大学 | 基于fmg臂带的对穿戴位置偏移不敏感的手势检测***和方法 |
CN110141239A (zh) * | 2019-05-30 | 2019-08-20 | 东北大学 | 一种用于下肢外骨骼的运动意图识别及装置方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202355412U (zh) * | 2011-09-01 | 2012-08-01 | 东南大学 | 康复训练过程中相关生理信息的远程测量模块 |
CN108209947B (zh) * | 2017-05-25 | 2021-06-15 | 深圳市未来健身科技有限公司 | 一种康复保健评估方法及装置 |
CN107518896B (zh) * | 2017-07-12 | 2019-07-30 | 中国科学院计算技术研究所 | 一种肌电臂环佩戴位置预测方法和*** |
CN111773539A (zh) * | 2020-07-30 | 2020-10-16 | 贵州省人民医院 | 一种基于实景与虚拟场景结合的神经康复训练装置 |
CN112545853A (zh) * | 2020-11-17 | 2021-03-26 | 未来穿戴技术有限公司 | 按摩脉冲输出方法及按摩设备、电子设备、存储介质 |
CN113261981A (zh) * | 2021-05-21 | 2021-08-17 | 华南理工大学 | 一种基于表面肌电信号的上肢痉挛量化评估方法及*** |
-
2021
- 2021-08-30 CN CN202111000939.4A patent/CN113693604B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108127669A (zh) * | 2018-02-08 | 2018-06-08 | 华南理工大学 | 一种基于动作融合的机器人示教***及实施方法 |
CN109765996A (zh) * | 2018-11-23 | 2019-05-17 | 华东师范大学 | 基于fmg臂带的对穿戴位置偏移不敏感的手势检测***和方法 |
CN110141239A (zh) * | 2019-05-30 | 2019-08-20 | 东北大学 | 一种用于下肢外骨骼的运动意图识别及装置方法 |
Non-Patent Citations (1)
Title |
---|
面向人机融合的智能动力下肢假肢研究现状与挑战;王启宁;《自动化学报》;20161231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113693604A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Montoye et al. | Validation and comparison of accelerometers worn on the hip, thigh, and wrists for measuring physical activity and sedentary behavior | |
CN109276255B (zh) | 一种肢体震颤检测方法及装置 | |
Schlögl et al. | BioSig: a free and open source software library for BCI research | |
CN101815466B (zh) | 用于对动脉nadi脉搏波形进行定量检测的非侵入式设备nadi tarangini | |
Luo et al. | Possibility of quantifying TCM finger-reading sensations: I. Bi-sensing pulse diagnosis instrument | |
CN111588384B (zh) | 获得血糖检测结果的方法、装置及设备 | |
CN106859653A (zh) | 饮食行为检测装置及饮食行为检测方法 | |
US20200321089A1 (en) | Biological information processing device, processing method, and non-transitory recording medium for recording processing program | |
CN113693604B (zh) | 一种基于佩戴者疲劳状态对肌张力等级的评估方法和装置 | |
CN113509151B (zh) | 肌张力等级的评估方法和装置 | |
US11730424B2 (en) | Methods and systems to detect eating | |
Bunn et al. | Assessment of step accuracy using the Consumer Technology Association standard | |
CN113645901B (zh) | 用于评估肌肉疲劳的装置和对应的计算机程序产品 | |
CN113288075B (zh) | 浮中沉脉位识别方法及*** | |
JP6992505B2 (ja) | 情報処理装置、方法及びプログラム | |
CN106504235B (zh) | 基于图像处理的心率监测方法 | |
Diou et al. | Data-driven assessments for sensor measurements of eating behavior | |
JP7307507B2 (ja) | 病態解析システム、病態解析装置、病態解析方法、及び病態解析プログラム | |
WO2022269724A1 (ja) | 運動内容推定装置、運動内容推定方法およびプログラム | |
CN114340483B (zh) | 一种血压标定选择方法及其建模方法 | |
TWI765420B (zh) | 心衰竭預測組件 | |
KR102617046B1 (ko) | 딥러닝 모델을 이용한 수면 단계 예측 방법 및 분석장치 | |
CN110584637A (zh) | 一种可算出血压变异数的方法 | |
CN115067949B (zh) | 一种基于可穿戴设备对肌张力进行检测的方法和装置 | |
EP4302704A1 (en) | Alzheimer-type dementia determination device, alzheimer-type dementia determination method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |