CN114145735B - 基于bcg信号的运动规划方案生成方法、***以及设备 - Google Patents
基于bcg信号的运动规划方案生成方法、***以及设备 Download PDFInfo
- Publication number
- CN114145735B CN114145735B CN202111468184.0A CN202111468184A CN114145735B CN 114145735 B CN114145735 B CN 114145735B CN 202111468184 A CN202111468184 A CN 202111468184A CN 114145735 B CN114145735 B CN 114145735B
- Authority
- CN
- China
- Prior art keywords
- parameter
- parameters
- motion planning
- acquiring
- signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000000241 respiratory effect Effects 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 230000036387 respiratory rate Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010295 mobile communication Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 6
- 210000003403 autonomic nervous system Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008035 nerve activity Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000467 autonomic pathway Anatomy 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 210000001002 parasympathetic nervous system Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 210000001186 vagus nerve Anatomy 0.000 description 1
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
- A61B5/1102—Ballistocardiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及数据分析领域,特别涉及一种基于BCG信号的运动规划方案生成方法、装置、***以及存储介质,方法包括:获取若干天用户的生理信号,根据所述生理信号,获取用户的生命体征参数,作为历史数据,根据所述历史数据以及预设的规划模型,获取用户的运动规划方案,并将其保存于电子数据库***;接收查询终端发出的用户的运动规划查询指令,查找所述电子数据库***,根据所述运动规划方案,向所述查询终端发送用户的运动规划方案,在所述查询终端的显示界面上进行显示。本申请结合所述HRV参数以及呼吸信号、BCG信号的模糊熵参数,根据用户的个人情况构建合适的运动规划方案,结合移动通信技术,简单、便捷地为用户的体育锻炼提供提示信息。
Description
技术领域
本发明涉及数据分析领域,特别涉及是一种基于BCG信号的运动规划方案生成方法、装置、***以及存储介质。
背景技术
目前心血管疾病的发病率和流行率已达到流行病比例,久坐不动的生活方式是导致这些疾病的最重要的危险因素。定期的体育锻炼可以提升人的心肺能力,适量的体育锻炼甚至可以改善高血压、冠心病、心衰、肥胖甚至癌症人群的自主神经***(autonomicnervous system,ANS)功能。
在夜间睡眠期间副交感神经***活动较强,受无关因素影响较小,因此夜间心率变异性(heart rate variability,HRV)更稳定,在夜里检测HRV能够更好区分自主神经***的变化。但是对于普通大众健身爱好者,或者专业运动员使用心电图来观测HRV无疑是困难的,并且,每个人的体育锻炼效果因人而异,监测个体对训练的适应性,定期监测心脏自主神经***状态是更有前途的方法之一。
发明内容
基于此,本发明的目的在于,提供一种基于BCG信号的运动规划方案生成方法、装置、***以及存储介质,对用户的生理信号进行分析,获取用户的模糊熵参数以及HRV参数,结合所述HRV参数以及呼吸信号、BCG信号的模糊熵参数,根据用户的个人情况构建合适的运动规划方案,结合移动通信技术,简单、便捷地为用户的体育锻炼提供提示信息。
第一方面,本申请实施例提供了一种基于BCG信号的运动规划方案生成方法,包括以下步骤:
获取若干天用户的生理信号,其中,所述生理信号包括呼吸信号以及BCG信号;
根据所述生理信号,获取用户的生命体征参数,作为历史数据,其中,所述生命体征参数包括所述呼吸信号以及BCG信号的模糊熵参数、HRV参数,所述HRV参数包括时域参数以及频域参数;
根据所述历史数据以及预设的规划模型,获取用户的运动规划方案,并将其保存于电子数据库***;
接收查询终端发出的用户的运动规划查询指令,查找所述电子数据库***,根据所述运动规划方案,向所述查询终端发送用户的运动规划方案,在所述查询终端的显示界面上进行显示。
第二方面,本申请实施例提供了一种基于BCG信号的运动规划方案生成装置,包括:
获取模块,用于获取若干天用户的生理信号,其中,所述生理信号包括呼吸信号以及BCG信号;
处理模块,用于根据所述生理信号,获取用户的生命体征参数,作为历史数据,其中,所述生命体征参数包括所述呼吸信号以及BCG信号的模糊熵参数、HRV参数,所述HRV参数包括时域参数以及频域参数;
规划模块,用于根据所述历史数据以及预设的规划模型,获取用户的运动规划方案,并将其保存于电子数据库***;
查询模块,用于接收查询终端发出的用户的运动规划查询指令,查找所述电子数据库***,根据所述运动规划方案,向所述查询终端发送用户的运动规划方案,在所述查询终端的显示界面上进行显示。
第三方面,本申请实施例提供了一种用于执行BCG信号的运动规划的***,包括:
压电传感器,用于将用户的身体微振信号转换为模拟信号,获取若干天用户的生理信号,其中,所述生理信号包括呼吸信号以及BCG信号;
放大电路,用于将所述压电传感器获得的模拟信号进行放大处理,获取放大处理后的模拟信号;
模数转换单元,用于将所述模拟信号转换为数字信号;
滤波器,用于滤除所述数字信号中的工频噪声,去除基线漂移,从所述数字信号中分离出呼吸信号和BCG信号;
处理器单元,用于获取若干天用户的所述生理信号,根据所述生理信号,获取用户的生命体征参数,作为历史数据,其中,所述生命体征参数包括所述呼吸信号以及BCG信号的模糊熵参数、HRV参数,所述HRV参数包括时域参数以及频域参数;根据所述历史数据以及预设的规划模型,获取用户的运动规划方案,并将其保存于电子数据库***;
存储单元,用于存储所述电子数据库***的数据;
显示单元,接收用户的运动规划查询指令,查找所述电子数据库***,显示查找获得的运动规划方案;
供电单元,用于对所述压电传感器、放大电路、模数转换单元、滤波器、处理器单元、存储单元和显示单元供电。
第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于BCG信号的运动规划方案生成方法的步骤。
在本申请实施例中,提供一种基于BCG信号的运动规划方案生成方法、装置、***以及存储介质,对用户的生理信号进行分析,获取用户的模糊熵参数以及HRV参数,结合所述HRV参数以及呼吸信号、BCG信号的模糊熵参数,根据用户的个人情况构建合适的运动规划方案,结合移动通信技术,简单、便捷地为用户的体育锻炼提供提示信息。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请第一实施例提供的基于BCG信号的运动规划方案生成方法的流程示意图;
图2为本申请第二实施例提供的基于BCG信号的运动规划方案生成方法的流程示意图;
图3为本申请第一实施例提供的基于BCG信号的运动规划方案生成方法中S2的流程示意图;
图4为本申请第三实施例提供的基于BCG信号的运动规划方案生成方法中S2的流程示意图;
图5为本申请第一实施例提供的基于BCG信号的运动规划方案生成方法中S3的流程示意图;
图6为本申请第四实施例提供的基于BCG信号的运动规划方案生成方法中S3的流程示意图;
图7为本申请第五实施例提供的基于BCG信号的运动规划方案生成装置的结构示意图;
图8为本申请第六实施例提供的计算机设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,图1为本申请第一实施例提供的基于BCG信号的运动规划方案生成方法的流程示意图,所述方法包括如下步骤:
S1:获取若干天用户的生理信号,其中,所述生理信号包括呼吸信号以及BCG信号。
所述BCG(ballistocardiogram)信号为心冲击图信号,应用于心率检测、心率变异性监测、心脏收缩性以及心输出量变化监测等方面。
所述基于BCG信号的运动规划方案生成方法的执行主体为基于BCG信号的运动规划方案生成方法的规划设备(以下简称规划设备),在一个可选的实施例中,所述规划设备可以是一种用于执行BCG信号的运动规划的***。
在一个可选的实施例中,规划设备可以通过在预设的数据库中进行查询,获取若干天用户的生理信号,在另一个可选的实施例中,规划设备可以采用压电传感器获取若干天用户的人体微振信号,并根据模数转换模块,将该人体微振信号转换为数字信号,根据数据处理模块对该数字信号进行分析,从该数字信号中提取用户的生理信号;
由于生理信号的能量主要在0到50Hz,其中呼吸信号的能量频谱范围在0.01到1Hz,而BCG信号的能量频谱范围主要在1到10Hz,规划设备可以通过滤波的方式,对所述生理信号进行滤波处理,分离出呼吸信号以及BCG信号。
所述压电传感器可以是压电陶瓷传感器、压电薄膜传感器等,可以放在平躺位置心脏的下方,也可以放在枕头下方,来获取用户的人体微振信号。
所述模数转换模块可以采用外置芯片,也可以采用相应的内置模数转换接口来对人体微振信号转换为数字信号。
所述数据处理模块可以采用DSP(Digital Signal Processing)或者ARM(Advanced RISC Machines)处理器,对该数字信号进行分析,从该数字信号中提取用户的生理信号。
请参阅图2,图2为本申请第二实施例提供的基于BCG信号的运动规划方案生成方法的流程示意图,包括步骤S5,具体如下:
S5:对所述生理信号进行预处理,去除所述生理信号中的工频干扰以及基线偏移,获取处理后的生理信号。
规划设备获取的生理信号中存在混叠呼吸噪声、工频噪声和运动伪影等干扰,由于生理信号中的高斯噪声和工频噪声的能量均在20Hz以上,可以通过滤波的方式,去除所述生理信号中的工频干扰以及基线偏移,获取处理后的生理信号,从而更好地从所述生理信号中分离出呼吸信号以及BCG信号。
S2:根据所述生理信号,获取用户的生命体征参数,作为历史数据。
所述生命体征参数包括所述呼吸信号以及BCG信号的模糊熵参数。
规划设备根据所述生理信号,获取用户的呼吸信号以及BCG信号的模糊熵参数。
请参阅图3,图3为本申请第一实施例提供的基于BCG信号的运动规划方案生成方法中S2的流程示意图,包括步骤S201~S202,具体如下:
S201:获取所述呼吸信号的呼吸波峰间期,根据所述呼吸波峰间期,获取用户的呼吸率序列。
在本实施例中,规划设备基于峰值匹配法,对所述呼吸信号的波峰进行定位,获取所述呼吸信号的呼吸波峰间期,具体如下:
规划设备通过采用二阶差分初步确定所述呼吸信号的峰值点的位置,根据设定的呼吸频率最大值确定两峰之间最小间距,剔除峰值点间距过小的峰值点,从而提出所述呼吸信号的波峰中包含的间距过小的伪峰,更加准确地获取所述呼吸信号的波峰。
根据所述呼吸信号的波峰,计算每分钟的呼吸次数,形成相应的呼吸率序列,其中,所述呼吸率序列的表达式为:
{BR(i),1≤i≤t}
式中,BR(i)为第i分钟测量的呼吸率,t为所述呼吸率序列的长度。
S202:获取所述BCG信号的J-J波峰间期,根据所述J-J波峰间期,获取用户的心跳率序列。
在本实施例中,规划设备基于模板匹配法,对所述BCG信号的波峰进行定位,获取所述BCG信号的J-J波峰间期,具体如下:
规划设备通过采用一阶差分阈值的方法检测出第1个J波的位置,并根据预设的初始模板以及幅度阈值,将所述初始模板与第一个J波后的数据段进行比较,若所述数据段中的最大值大于设定的幅度阈值,则所述数据段中存在J峰,否则无J峰,若所述数据段中存在J峰,则将此段数据与所述初始模板匹配,获取匹配系数,根据预设的匹配系数阈值,若匹配系数大于预设的匹配系数阈值,则提取在所述数据段的J峰,获取所述BCG信号的J-J波峰间期,其中,所述初始模板可以选取峰值点前0.4s或者后0.4s的BCG信号。
根据所述BCG信号的J-J波峰间期,计算每分钟的心跳次数,形成相应的心跳率序列,其中,所述心跳率序列的表达式为:
{HR(I),1≤i≤t}
式中,HR(i)为第i分钟测量的心跳率,t为所述心跳率序列的长度。
S203:根据所述呼吸率序列、心跳率序列以及模糊熵参数算法,分别获取所述呼吸信号以及BCG信号的模糊熵参数。
规划设备根据所述呼吸率序列、心跳率序列以及模糊熵参数算法,分别计算所述呼吸率序列、心跳率序列的模糊熵参数,作为所述生理信号的模糊熵参数,具体地,所述模糊熵参数算法步骤如下:
选取所述呼吸率序列或者心跳率序列作为目标序列,其中,所述目标序列的表达式为:
{u(i),1≤i≤t}
根据所述目标序列,构建m维相空间,其中,所述m维相空间为:
其中,
式中,m为嵌入维数,u(i),u(i+1),...,u(i+m-1)代表从第i个点开始的连续m个u的值,u0(i)为其均值,其表达式为:
计算所述m维相空间中的一个任意向量与另一个向量/>之间的距离最大值dij,其表达式为:
计算所述向量与向量/>的相似度/>其表达式为:
式中,为模糊隶属度指数函数,n为所述模糊隶属度指数函数边界的梯度,r为所述模糊隶属度指数函数边界的宽度。
输入所述相似度至预设的模糊熵参数定义函数中,获取Cm(r)以及Cm+1(r),其中,所述模糊熵参数定义函数为:
根据所述Cm(r)、Cm+1(r),以及模糊熵参数计算公式,获取生理信号的模糊熵参数,其中,所述模糊熵参数计算公式为:
式中,FE(X,m,n,r)为所述模糊熵参数。
在本实施例中,规划设备分别所述呼吸率序列、心跳率序列作为所述模糊熵参数算法的输入数据,获取所述呼吸信号的模糊熵参数以及BCG信号的模糊熵参数。
所述生命体征参数还包括HRV(heart rate variability)参数,即心率变异性参数,其中,所述HRV参数包括时域参数以及频域参数;规划设备根据所述生理信号中的BCG信号,获取用户的HRV参数,其中,所述HRV参数包括时域参数以及频域参数;
在一个可选的实施例中,规划设备根据统计学离散趋势分析法对所述BCG信号的J-J波峰间期发生的变化进行分析,获取所述HRV参数包括时域参数,其中,所述时域参数包括RMSSD参数、SDNN参数以及pNN50参数。
RMSSD(Root mean square of successive JJ interval differences)参数、SDNN(Standard deviation of NN intervals)参数以及pNN50(Percentage ofsuccessive JJ intervals that differ by more than 50ms)均为心率变异性指标参数。
规划设备采取频谱分析法,将所述BCG信号的J-J波峰间期的时间序列信号采用数学变换的方法将其变换到频率域上,形成频谱曲线,采用快速傅里叶变换(FFT),将所述频谱曲线转变为频谱计算功率谱密度,获取所述BCG信号的HRV参数中的频域参数,其中,所述频域参数包括低频能量参数LF、高频能量参数HF以及能量比例参数LF/HF,所述低频能量参数LF反应了交感神经活性,所述高频能量参数HF反应了迷走神经活性,所述能量比例参数LF/HF为低频能量参数LF与高频能量参数HF的比值,反映了自主神经平衡的能力。
请参阅图4,图4为本申请第三实施例提供的基于BCG信号的运动规划方案生成方法中S2的流程示意图,包括步骤S204~S206,具体如下:
S204:根据所述BCG信号的J-J波峰间期以及RMSSD参数计算算法,获取所述BCG信号的RMSSD参数。
所述RMSSD参数计算算法为:
式中,NNi为所述BCG信号的J-J波峰间期,N为所述BCG信号的J-J波峰间期的数量;
在本实施例中,规划设备获取所述BCG信号中连续的J-J波峰间期以及J-J波峰间期的数量,根据所述RMSSD参数计算算法,获取所述BCG信号的RMSSD参数。
S205:根据所述BCG信号的J-J波峰间期以及SDNN参数计算算法,获取所述BCG信号的SDNN参数。
所述SDNN参数计算算法为:
式中,为所述BCG信号的J-J波峰间期的均值;
在本实施例中,规划设备根据所述BCG信号的J-J波峰间期以及SDNN参数计算算法,获取所述BCG信号的SDNN参数。
S206:根据所述BCG信号的J-J波峰间期以及pNN50参数计算算法,获取所述BCG信号的pNN50参数。
所述pNN50参数计算算法为:
式中,NN50为所述BCG信号的中相邻的J-J波峰间期之间的差值超过50ms的J-J波峰间期的数量;
在本实施例中,规划设备对所述BCG信号的J-J波峰间期进行分析,获取所述BCG信号的中相邻的J-J波峰间期之间的差值超过50ms的J-J波峰间期的数量在所述BCG信号的J-J波峰间期数量中的占比,作为所述BCG信号的pNN50参数。
在本实施例中,规划设备根据所述生理信号,获取用户的生命体征参数,作为历史数据,并将其保存于所述电子数据库***。
S3:根据所述历史数据以及预设的规划模型,获取用户的运动规划方案,并将其保存于电子数据库***。
在本实施例中,规划设备将所述历史数据输入至预设的规划模型,获取用户的运动规划方案,并将其保存于电子数据库***。
请参阅图5,图5为本申请第一实施例提供的基于BCG信号的运动规划方案生成方法中S3的流程示意图,包括步骤S301~S302,具体如下:
S301:获取所述历史数据中若干天的时域参数以及频域参数作为样本数据,分别计算所述样本数据的时域参数以及频域参数的平均值作为下一天的标准值,并确定为对比值。
规划设备获取所述历史数据中若干天的时域参数以及频域参数,在一个可选的实施例中,规划设备获取用户最近十天内的历史数据中的RMSSD参数、SDNN参数、LF参数以及HF参数作为样本数据,分别计算所述样本数据中RMSSD参数、SDNN参数、LF参数以及HF参数的平均值,作为下一天的标准值,并确定为对比值,用于与次日获取的RMSSD参数、SDNN参数、LF参数、HF参数以及LF/HF参数进行对比。
S302:获取下一天的时域参数以及频域参数,并与相对应的对比值进行对比,获取运动规划方案。
在本实施例中,规划设备获取下一天的时域参数以及频域参数的值,并与其相对应的对比值进行对比,当所述下一天的时域参数以及频域参数的值大于与其相对应的对应值,获取各个参数的对比结果,其中,所述对比结果包括RMSSD参数对比结果、SDNN参数对比结果、LF参数对比结果、HF参数对比结果以及LF/HF参数对比结果。
根据所述对比结果,若所述对比结果的数量为3个或3个以上,获取次日继续运动结果,作为所述运动规划方案。
请参阅图6,图6为本申请第四实施例提供的基于BCG信号的运动规划方案生成方法中S3的流程示意图,包括步骤S303~S305,具体如下:
S303:获取若干天的历史数据,根据所述若干天历史数据以及预设的相关性算法,从所述历史数据中提取若干个目标参数。
所述相关性算法采用的是一种基于最大信息系数(Maximal InformationCoefficient,MIC)的特征选择方法,属于Maximal Information-based NonparametricExploration(MINE),即最大的基于信息的非参数性探索,是互信息的推广,用于衡量两个变量之间的关联程度,线性或非线性的强度。
在本实施例中,规划设备根据所述历史数据以及预设的相关性算法,从所述历史数据中提取若干个目标参数,其中,所述相关性算法的步骤具体如下:
获取所述历史数据中各个参数的参数列,所述参数列包括BR_FE(z),HR_FE(z),RMSSD(z),SDNN(z),pNN50(z),LF/HF(z),LF(z)以及HF(z);
其中,BR_FE(z)为所述呼吸信号的模糊熵参数列,HR_FE(z)为所述BCG信号的模糊熵参数列,RMSSD(z)为所述RMSSD参数的参数列,RMSSD(z)为所述RMSSD参数的参数列,SDNN(z)为所述SDNN参数的参数列,pNN50(z)为所述pNN50参数的参数列,LF/HF(z)为所述LF/HF参数的参数列,LF(z)为所述LF参数的参数列,HF(z)为所述HF参数的参数列;
从所述参数列获取两个参数类别不同的参数列,作为第一参数列以及第二参数列,其中,所述第一参数列的表达式为X={xz,z=1,2,3,...LL},第二参数列的表达式为Y={yz,z=1,2,3,...,LL},组成样本集合,记为D={(xz,yz),z=1,2,3,...,LL},其中,LL为变量样本数。
分别将X和Y的值域划分为p,q个不同的区间,从而使样本空间离散化为p*q的网格G,在指定的网格G下,根据所述网格G中各个格子中的样本数目以及区间内的样本数目在样本容量中的占比估计,计算经验联合概率密度和经验边缘概率密度,并根据互信息计算算法,获取经过网格G划分样本集合D时引入的概率分布,作为所述网格G的互信息值,其中,所述互信息计算算法为:
式中,MI(D|G)为所述互信息值;p(x)为第一参数列X的经验边缘概率密度,p(y)为第二参数列Y的经验边缘概率密度;p(x,y)是第一参数列X和第二参数列Y的经验联合概率密度。
在一个可选的实施例中,规划设备根据若干个区间划分标准,将所述样本集的值域进行划分,并根据互信息计算算法,获取所述互信息数据,其中,所述互信息数据包括若干个不同的区间划分标准对应的互信息值;
获取所述网格G的互信息数据中最大互信息值,记为MI*(,p,q)=maxMI(D|G),根据所述互信息数据,组成特征矩阵,并进行规范化,其中,所述规范化的特征矩阵的表达式为:
式中,M(D)p,q为所述规范化的特征矩阵,
根据所述规范化的特征矩阵以及最大信息系数算法,获取最大信息系数,其中,所述最大信息系数算法为:
式中,MIC(D)为所述最大信息系数,pq<B(LL)为网络划分p*q网格大小的上限值。
当所述最大信息系数的值为0,则所述样本集合D对应的参数列无相关性,当所述最大信息系数的值为1时,则所述样本集合D对应的参数列相关性最强;在一个可选的实施例中,规划设备对所述获取的若干个最大信息系数的值进行分析,提取若干个相关性较强的样本集合D,根据所述样本集合D,获取所述样本集合D对应的参数列的参数类型,根据所述参数类型,获取若干个参数列,作为目标参数。
S304:根据所述若干个目标参数以及SWC参数计算算法,获取SWC参数,作为下一天的目标参数阈值。
所述SWC(smallest worthwhile change)为最小的有价值变化参数,所述SWC参数包括SWC上限参数以及SWC下限参数;
在本实施例中,规划设备获取所述目标参数的均值以及标准差,根据所述SWC参数计算算法,获取所述SWC上限参数以及SWC下限参数,组成参数区间,作为所述目标参数的阈值,其中,所述SWC阈值计算算法为:
SWC=mean±0.5*SD
式中,mean为所述目标参数的均值,SD为所述目标参数的标准差。
S305:获取下一天的目标参数,根据所述下一天的目标参数以及目标参数阈值,获取运动规划方案。
在本实施例中,规划设备获取下一天的目标参数的值,并与其相对应的对比值进行对比,当所述下一天的目标参数的值大于与其相对应的目标参数阈值,获取各个目标参数的对比结果,根据所述各个目标参数的对比结果,获取运动规划方案。
S4:接收查询终端发出的用户的运动规划查询指令,查找所述电子数据库***,根据所述运动规划方案,向所述查询终端发送用户的运动规划方案,在所述查询终端的显示界面上进行显示。
在本实施例中,规划设备接收查询终端发出的用户的运动规划查询指令,并进行响应,从所述电子数据库***中查找用户的下一天的运动规划方案,根据所述运动规划方案,发送至所述查询终端,在所述查询终端的显示界面上进行显示。
请参考图7,图7为本申请第五实施例提供的基于BCG信号的运动规划方案生成装置的结构示意图,该装置可以通过软件、硬件或两者的结合实现基于BCG信号的运动规划方案生成装置的全部或一部分,该装置7包括:
获取模块71,用于获取若干天用户的生理信号,其中,所述生理信号包括呼吸信号以及BCG信号;
处理模块72,用于根据所述生理信号,获取用户的生命体征参数,作为历史数据,其中,所述生命体征参数包括所述呼吸信号以及BCG信号的模糊熵参数、HRV参数,所述HRV参数包括时域参数以及频域参数;
规划模块73,用于根据所述历史数据以及预设的规划模型,获取用户的运动规划方案,并将其保存于电子数据库***;
查询模块74,用于接收查询终端发出的用户的运动规划查询指令,查找所述电子数据库***,根据所述运动规划方案,向所述查询终端发送用户的运动规划方案,在所述查询终端的显示界面上进行显示。
在本申请实施例中,通过获取模块,获取若干天用户的生理信号,其中,所述生理信号包括呼吸信号以及BCG信号;通过处理模块,根据所述生理信号,获取用户的生命体征参数,作为历史数据,其中,所述生命体征参数包括所述呼吸信号以及BCG信号的模糊熵参数、HRV参数,所述HRV参数包括时域参数以及频域参数;通过规划模块,根据所述历史数据以及预设的规划模型,获取用户的运动规划方案,并将其保存于电子数据库***;通过查询模块,接收查询终端发出的用户的运动规划查询指令,查找所述电子数据库***,根据所述运动规划方案,向所述查询终端发送用户的运动规划方案,在所述查询终端的显示界面上进行显示。本申请对用户的生理信号进行分析,获取用户的模糊熵参数以及HRV参数,结合所述HRV参数以及呼吸信号、BCG信号的模糊熵参数,根据用户的个人情况构建合适的运动规划方案,结合移动通信技术,简单、便捷地为用户的体育锻炼提供提示信息。
请参考图8,图8为本申请第六实施例提供的用于执行BCG信号的运动规划的***的结构示意图,该***8包括:
压电传感器81,用于将用户的身体微振信号转换为模拟信号,获取若干天用户的生理信号,其中,所述生理信号包括呼吸信号以及BCG信号;
在一个可选的实施例中,压电传感器81可以采用压电陶瓷或者压电薄膜等传感器。
放大电路82,用于将压电传感器81获得的模拟信号进行放大处理,获取放大处理后的模拟信号;
在一个可选的实施例中,采用集成芯片放大电路,将压电传感器81获得的模拟信号进行放大处理,获取放大处理后的模拟信号;
模数转换单元83,用于将所述模拟信号转换为数字信号;
模拟信号转换为数字信号后才能用软件进行处理,所述模数转换芯片用于将模拟信号转化换数据信号,根据采样率,所述模数转换单元可以采用外置芯片也可以采用处理器的内置模数转换接口。
滤波器84,用于滤除所述数字信号中的工频噪声,去除基线漂移,从所述数字信号中分离出呼吸信号和BCG信号;
处理器单元85,用于获取若干天用户的所述生理信号,根据所述生理信号,获取用户的生命体征参数,作为历史数据,其中,所述生命体征参数包括所述呼吸信号以及BCG信号的模糊熵参数、HRV参数,所述HRV参数包括时域参数以及频域参数;根据所述历史数据以及预设的规划模型,获取用户的运动规划方案,并将其保存于电子数据库***;
其中,处理器单元85可以包括一个或多个处理核心。处理器利用各种接口和线路连接服务器内的各个部分,通过运行或执行存储在存储器内的指令、程序、代码集或指令集,以及调用存储器内的数据,执行基于BCG信号的运动规划方案生成装置7的各种功能和处理数据,可选的,处理器可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrambleLogic Array,PLA)中的至少一个硬件形式来实现。处理器可集成中央处理器CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一个或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器中,单独通过一块芯片进行实现。
存储单元86,用于存储所述电子数据库***的数据;
其中,存储器单元86可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器可选的还可以是至少一个位于远离前述处理器的存储装置。
显示单元87,接收用户的运动规划查询指令,查找所述电子数据库***,显示查找获得的运动规划方案;
供电单元88,用于对所述压电传感器、放大电路、模数转换单元、滤波器、处理器单元、存储单元和显示单元供电。
本申请实施例还提供了一种存储介质,所述存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述实施例一至实施例四的方法步骤,具体执行过程可以参见实施例一至实施例四的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (8)
1.一种基于BCG信号的运动规划方案生成方法,其特征在于,包括以下步骤:
获取若干天用户的生理信号,其中,所述生理信号包括呼吸信号以及BCG信号;
根据所述生理信号,获取用户的生命体征参数,作为历史数据,其中,所述生命体征参数包括所述呼吸信号以及BCG信号的模糊熵参数、HRV参数,所述HRV参数包括时域参数以及频域参数,所述时域参数包括RMSSD参数、SDNN参数以及pNN50参数,所述频域参数包括低频能量参数LF、高频能量参数HF以及能量比例参数LF/HF;
获取所述历史数据中各个参数的参数列,其中,所述参数列包括呼吸信号的模糊熵参数列、BCG信号的模糊熵参数列、RMSSD参数的参数列、SDNN参数的参数列、pNN50参数的参数列、LF/HF参数的参数列、LF参数的参数列以及HF参数的参数列;
从所述参数列获取两个参数类别不同的参数列,作为第一参数列以及第二参数列,组成若干个样本集合,根据预设的若干个区间划分标准,将各个所述样本集合的第一参数列第二参数列的值域划分为两个不同的区间,构建各个所述样本集合相应的网格;
根据各个所述样本集合相应的网格中各个格子中的样本数目以及区间内的样本数目在样本容量中的占比估计,计算经验联合概率密度和经验边缘概率密度,根据互信息计算算法,获取各个所述样本集合相应的互信息数据,其中,所述互信息数据包括若干个不同的区间划分标准对应的互信息值,所述互信息计算算法为:
式中,为所述互信息值;p(x)为第一参数列的经验边缘概率密度, p(y)为第二参数列的经验边缘概率密度; p(x,y)是第一参数列和第二参数列的经验联合概率密度;
获取各个所述样本集合相应的互信息数据中最大互信息值,根据所述互信息数据,组成特征矩阵,并进行规范化,获得各个所述样本集合相应的规范化的特征矩阵,其中,所述规范化的特征矩阵的表达式为:
式中,为所述规范化的特征矩阵,/>为所述网格的互信息数据中最大互信息值;
根据各个所述样本集合相应的规范化的特征矩阵以及最大信息系数算法,获取各个所述样本集合相应的最大信息系数,其中,所述最大信息系数算法为:
式中,为所述最大信息系数,/>为网络划分p*q网格大小的上限值,p为所述第一参数列相应的区间划分参数,q为所述第一参数列相应的区间划分参数;
根据各个所述样本集合相应的最大信息系数,获得若干个最大信息系数的值为1的样本集合,提取所述若干个最大信息系数的值为1的样本集合对应的参数列的参数类型,根据所述参数类型,获取若干个参数列,作为目标参数;
根据若干个目标参数以及SWC参数计算算法,获取SWC参数,作为下一天的目标参数阈值,其中,所述SWC参数计算算法为:
SWC=mean±0.5*SD
式中,所述SWC为最小的有价值变化参数,mean为所述目标参数的均值,SD为所述目标参数的标准差;
获取下一天的目标参数,根据所述下一天的目标参数以及目标参数阈值,获取运动规划方案,并将其保存于电子数据库***;
接收查询终端发出的用户的运动规划查询指令,查找所述电子数据库***,根据所述运动规划方案,向所述查询终端发送用户的运动规划方案,在所述查询终端的显示界面上进行显示。
2.根据权利要求1所述的基于BCG信号的运动规划方案生成方法,其特征在于,所述根据所述生理信号,获取用户的生命体征参数,作为历史数据之前,包括步骤:
对所述生理信号进行预处理,去除所述生理信号中的工频干扰以及基线偏移,获取处理后的生理信号。
3.根据权利要求2所述的基于BCG信号的运动规划方案生成方法,其特征在于,所述根据所述生理信号,获取用户的生命体征参数,包括步骤:
获取所述呼吸信号的呼吸波峰间期,根据所述呼吸波峰间期,获取用户的呼吸率序列;
获取所述BCG信号的J-J波峰间期,根据所述J-J波峰间期,获取用户的心跳率序列;
根据所述呼吸率序列、心跳率序列以及模糊熵参数算法,分别获取所述呼吸信号以及BCG信号的模糊熵参数。
4.根据权利要求3所述的基于BCG信号的运动规划方案生成方法,其特征在于,所述获取所述BCG信号的HRV参数,包括步骤:
根据所述BCG信号的J-J波峰间期以及RMSSD参数计算算法,获取所述BCG信号的RMSSD参数,其中,所述RMSSD参数计算算法为:
式中,为所述BCG信号的J-J波峰间期,/>为J-J波峰间期的数量;
根据所述BCG信号的J-J波峰间期以及SDNN参数计算算法,获取所述BCG信号的SDNN参数,其中,所述SDNN参数计算算法为:
式中,为所述BCG信号的J-J波峰间期的均值;
根据所述BCG信号的J-J波峰间期以及pNN50参数计算算法,获取所述BCG信号的pNN50参数,其中,所述pNN50参数计算算法为:
式中,为所述BCG信号的中相邻的J-J波峰间期之间的差值超过50ms的J-J波峰间期的数量。
5.根据权利要求4所述的基于BCG信号的运动规划方案生成方法,其特征在于,所述根据所述历史数据以及预设的规划模型,获取用户的运动规划方案,并将其保存于电子数据库***,包括步骤:
获取所述历史数据中若干天的时域参数以及频域参数,分别计算所述若干天的时域参数以及频域参数的平均值作为下一天的标准值,并确定为对比值;
获取下一天的时域参数以及频域参数,并与相对应的对比值进行对比,获取运动规划方案。
6.一种基于BCG信号的运动规划的装置,其特征在于,包括:
获取模块,用于获取若干天用户的生理信号,其中,所述生理信号包括呼吸信号以及BCG信号;
处理模块,用于根据所述生理信号,获取用户的生命体征参数,作为历史数据,其中,所述生命体征参数包括所述呼吸信号以及BCG信号的模糊熵参数、HRV参数,所述HRV参数包括时域参数以及频域参数,所述时域参数包括RMSSD参数、SDNN参数以及pNN50参数,所述频域参数包括低频能量参数LF、高频能量参数HF以及能量比例参数LF/HF;
规划模块,用于获取所述历史数据中各个参数的参数列,其中,所述参数列包括呼吸信号的模糊熵参数列、BCG信号的模糊熵参数列、RMSSD参数的参数列、SDNN参数的参数列、pNN50参数的参数列、LF/HF参数的参数列、LF参数的参数列以及HF参数的参数列;
从所述参数列获取两个参数类别不同的参数列,作为第一参数列以及第二参数列,组成若干个样本集合,根据预设的若干个区间划分标准,将各个所述样本集合的第一参数列第二参数列的值域划分为两个不同的区间,构建各个所述样本集合相应的网格;
根据各个所述样本集合相应的网格中各个格子中的样本数目以及区间内的样本数目在样本容量中的占比估计,计算经验联合概率密度和经验边缘概率密度,根据互信息计算算法,获取各个所述样本集合相应的互信息数据,其中,所述互信息数据包括若干个不同的区间划分标准对应的互信息值,所述互信息计算算法为:
式中,为所述互信息值;p(x)为第一参数列的经验边缘概率密度, p(y)为第二参数列的经验边缘概率密度; p(x,y)是第一参数列和第二参数列的经验联合概率密度;
获取各个所述样本集合相应的互信息数据中最大互信息值,根据所述互信息数据,组成特征矩阵,并进行规范化,获得各个所述样本集合相应的规范化的特征矩阵,其中,所述规范化的特征矩阵的表达式为:
式中,为所述规范化的特征矩阵,/>为所述网格的互信息数据中最大互信息值;
根据各个所述样本集合相应的规范化的特征矩阵以及最大信息系数算法,获取各个所述样本集合相应的最大信息系数,其中,所述最大信息系数算法为:
式中,为所述最大信息系数,/>为网络划分p*q网格大小的上限值,p为所述第一参数列相应的区间划分参数,q为所述第一参数列相应的区间划分参数;
根据各个所述样本集合相应的最大信息系数,获得若干个最大信息系数的值为1的样本集合,提取所述若干个最大信息系数的值为1的样本集合对应的参数列的参数类型,根据所述参数类型,获取若干个参数列,作为目标参数;
根据若干个目标参数以及SWC参数计算算法,获取SWC参数,作为下一天的目标参数阈值,其中,所述SWC参数计算算法为:
SWC=mean±0.5*SD
式中,所述SWC为最小的有价值变化参数,mean为所述目标参数的均值,SD为所述目标参数的标准差;
获取下一天的目标参数,根据所述下一天的目标参数以及目标参数阈值,获取运动规划方案,并将其保存于电子数据库***;
查询模块,用于接收查询终端发出的用户的运动规划查询指令,查找所述电子数据库***,根据所述运动规划方案,向所述查询终端发送用户的运动规划方案,在所述查询终端的显示界面上进行显示。
7.一种用于执行BCG信号的运动规划的***,包括:
压电传感器,用于将用户的身体微振信号转换为模拟信号,获取若干天用户的生理信号,其中,所述生理信号包括呼吸信号以及BCG信号;
放大电路,用于将所述压电传感器获得的模拟信号进行放大处理,获取放大处理后的模拟信号;
模数转换单元,用于将所述模拟信号转换为数字信号;
滤波器,用于滤除所述数字信号中的工频噪声,去除基线漂移,从所述数字信号中分离出呼吸信号和BCG信号;
处理器单元,用于获取若干天用户的所述生理信号,根据所述生理信号,获取用户的生命体征参数,作为历史数据,其中,所述生命体征参数包括所述呼吸信号以及BCG信号的模糊熵参数、HRV参数,所述HRV参数包括时域参数以及频域参数;所述时域参数包括RMSSD参数、SDNN参数以及pNN50参数,所述频域参数包括低频能量参数LF、高频能量参数HF以及能量比例参数LF/HF;获取所述历史数据中各个参数的参数列,其中,所述参数列包括呼吸信号的模糊熵参数列、BCG信号的模糊熵参数列、RMSSD参数的参数列、SDNN参数的参数列、pNN50参数的参数列、LF/HF参数的参数列、LF参数的参数列以及HF参数的参数列;
从所述参数列获取两个参数类别不同的参数列,作为第一参数列以及第二参数列,组成若干个样本集合,根据预设的若干个区间划分标准,将各个所述样本集合的第一参数列第二参数列的值域划分为两个不同的区间,构建各个所述样本集合相应的网格;
根据各个所述样本集合相应的网格中各个格子中的样本数目以及区间内的样本数目在样本容量中的占比估计,计算经验联合概率密度和经验边缘概率密度,根据互信息计算算法,获取各个所述样本集合相应的互信息数据,其中,所述互信息数据包括若干个不同的区间划分标准对应的互信息值,所述互信息计算算法为:
式中,为所述互信息值;p(x)为第一参数列的经验边缘概率密度, p(y)为第二参数列的经验边缘概率密度; p(x,y)是第一参数列和第二参数列的经验联合概率密度;
获取各个所述样本集合相应的互信息数据中最大互信息值,根据所述互信息数据,组成特征矩阵,并进行规范化,获得各个所述样本集合相应的规范化的特征矩阵,其中,所述规范化的特征矩阵的表达式为:
式中,为所述规范化的特征矩阵,/>为所述网格的互信息数据中最大互信息值;
根据各个所述样本集合相应的规范化的特征矩阵以及最大信息系数算法,获取各个所述样本集合相应的最大信息系数,其中,所述最大信息系数算法为:
式中,为所述最大信息系数,/>为网络划分p*q网格大小的上限值,p为所述第一参数列相应的区间划分参数,q为所述第一参数列相应的区间划分参数;
根据各个所述样本集合相应的最大信息系数,获得若干个最大信息系数的值为1的样本集合,提取所述若干个最大信息系数的值为1的样本集合对应的参数列的参数类型,根据所述参数类型,获取若干个参数列,作为目标参数;
根据若干个目标参数以及SWC参数计算算法,获取SWC参数,作为下一天的目标参数阈值,其中,所述SWC参数计算算法为:
SWC=mean±0.5*SD
式中,所述SWC为最小的有价值变化参数,mean为所述目标参数的均值,SD为所述目标参数的标准差;
获取下一天的目标参数,根据所述下一天的目标参数以及目标参数阈值,获取运动规划方案,并将其保存于电子数据库***;
存储单元,用于存储所述电子数据库***的数据;
显示单元,接收用户的运动规划查询指令,查找所述电子数据库***,显示查找获得的运动规划方案;
供电单元,用于对所述压电传感器、放大电路、模数转换单元、滤波器、处理器单元、存储单元和显示单元供电。
8.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于BCG信号的运动规划方案生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111468184.0A CN114145735B (zh) | 2021-12-03 | 2021-12-03 | 基于bcg信号的运动规划方案生成方法、***以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111468184.0A CN114145735B (zh) | 2021-12-03 | 2021-12-03 | 基于bcg信号的运动规划方案生成方法、***以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114145735A CN114145735A (zh) | 2022-03-08 |
CN114145735B true CN114145735B (zh) | 2023-10-20 |
Family
ID=80452421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111468184.0A Active CN114145735B (zh) | 2021-12-03 | 2021-12-03 | 基于bcg信号的运动规划方案生成方法、***以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114145735B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115316985B (zh) * | 2022-10-13 | 2023-04-18 | 华南师范大学 | 基于生理信号的心脏信息检测方法、装置以及设备 |
CN116172527B (zh) * | 2023-03-15 | 2023-09-22 | 康原(江苏)科技有限公司 | 一种智能健康监测方法、***及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009094632A1 (en) * | 2008-01-25 | 2009-07-30 | University Of Southern California | Dyanmical systems modeling for diagnosing risk of cardiac dysfunction |
CN104902816A (zh) * | 2012-11-27 | 2015-09-09 | 纽玛凯尔有限公司 | 呼吸数据的分析 |
CN107233086A (zh) * | 2016-03-28 | 2017-10-10 | 三星电子株式会社 | 使用低功率传感器进行心率和呼吸率估计的方法和装置 |
CN107569226A (zh) * | 2017-09-27 | 2018-01-12 | 广州中科新知科技有限公司 | 基于压电传感获取hrv的方法及应用 |
CN108056769A (zh) * | 2017-11-14 | 2018-05-22 | 深圳市大耳马科技有限公司 | 一种生命体征信号分析处理方法、装置和生命体征监测设备 |
US10022057B1 (en) * | 2015-06-19 | 2018-07-17 | Michael Blake | Wearable physiological monitoring and notification system based on real-time heart rate variability analysis |
CN112914536A (zh) * | 2021-03-24 | 2021-06-08 | 平安科技(深圳)有限公司 | 运动状态的检测方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11793426B2 (en) * | 2019-08-27 | 2023-10-24 | Turtle Shell Technologies Private Limited | System and a method for determining breathing rate as a biofeedback |
-
2021
- 2021-12-03 CN CN202111468184.0A patent/CN114145735B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009094632A1 (en) * | 2008-01-25 | 2009-07-30 | University Of Southern California | Dyanmical systems modeling for diagnosing risk of cardiac dysfunction |
CN104902816A (zh) * | 2012-11-27 | 2015-09-09 | 纽玛凯尔有限公司 | 呼吸数据的分析 |
US10022057B1 (en) * | 2015-06-19 | 2018-07-17 | Michael Blake | Wearable physiological monitoring and notification system based on real-time heart rate variability analysis |
CN107233086A (zh) * | 2016-03-28 | 2017-10-10 | 三星电子株式会社 | 使用低功率传感器进行心率和呼吸率估计的方法和装置 |
CN107569226A (zh) * | 2017-09-27 | 2018-01-12 | 广州中科新知科技有限公司 | 基于压电传感获取hrv的方法及应用 |
CN108056769A (zh) * | 2017-11-14 | 2018-05-22 | 深圳市大耳马科技有限公司 | 一种生命体征信号分析处理方法、装置和生命体征监测设备 |
CN112914536A (zh) * | 2021-03-24 | 2021-06-08 | 平安科技(深圳)有限公司 | 运动状态的检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114145735A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114145735B (zh) | 基于bcg信号的运动规划方案生成方法、***以及设备 | |
CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
Zhang et al. | Automated detection of myocardial infarction using a gramian angular field and principal component analysis network | |
US9642543B2 (en) | Systems and methods for model-based non-contact physiological data acquisition | |
CN101773394B (zh) | 身份识别方法及应用该方法的身份识别*** | |
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
Fang et al. | QRS detection-free electrocardiogram biometrics in the reconstructed phase space | |
US20200138306A1 (en) | Feature selection for cardiac arrhythmia classification and screening | |
CN114041786B (zh) | 心冲击图信号的检测方法、装置以及设备 | |
CN106388825B (zh) | 一种呼吸率提取方法及装置 | |
Li et al. | Ventricular ectopic beat detection using a wavelet transform and a convolutional neural network | |
CN114732361B (zh) | 基于生理信号的睡眠分期预测方法、设备以及存储介质 | |
CN111407262A (zh) | 基于blstm的睡眠分期方法以及基于blstm进行睡眠分期的装置 | |
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
CN107273827B (zh) | 一种心电信号r波检测方法及装置 | |
Chen et al. | Unsupervised activity clustering to estimate energy expenditure with a single body sensor | |
CN107361765A (zh) | 脑波分析方法及其装置 | |
CN114052744A (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN116401598B (zh) | 基于生理信号的睡眠呼吸暂停检测方法以及装置 | |
CN114366060A (zh) | 一种基于心率变异性的健康预警方法、装置及电子设备 | |
CN110179451B (zh) | 心电信号质量检测方法、装置、计算机设备和存储介质 | |
CN106388824B (zh) | 一种呼吸率提取方法及装置 | |
CN106725487A (zh) | 一种呼吸率提取方法及装置 | |
Liu et al. | Diagnosis of AF based on time and frequency features by using a hierarchical classifier | |
CN111887836B (zh) | 心电信号的处理方法、装置及设备 |
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 |