一种VDT视觉疲劳监测预警系统
阅读：0发布：2021-06-02
专利汇可以提供一种VDT视觉疲劳监测预警系统专利检索，专利查询，专利分析的服务。并且本 发明 提供了一种VDT视觉疲劳监测预警系统，包括 信号 采集模 块 、 信号处理 模块、疲劳指标量提取模块、监测预警模块、以及终端执行模块；信号采集模块用于采集 加速 度信号；信号处理模块包括信号存储模块、信号预处理模块、FFT模块、 带通滤波 模块、IFFT模块；疲劳指标量提取模块包括HRV提取模块、LF提取模块；监测预警模块包括视觉疲劳分类模块、视觉疲劳指导模块；终端执行模块包括语音预警模块、文字预警模块、VDT执行强制预警模块。本发明对VDT使用者进行无约束式视觉疲劳监测，经过信号处理以及疲劳指标量提取，经疲劳分类，给使用者提示预警以及对VDT产品进行操作，减少长时间使用VDT产品带给使用者的伤害。，下面是一种VDT视觉疲劳监测预警系统专利的具体信息内容。
1.一种VDT视觉疲劳监测预警系统，其特征在于：包括依次连接的信号采集模块、信号处理模块、疲劳指标量提取模块、监测预警模块、以及终端执行模块；
所述信号采集模块用于采集加速度信号，并将采集的结果发送到信号处理模块；
所述信号处理模块包括信号存储模块、信号预处理模块、FFT模块、带通滤波模块、IFFT模块，用于对接收的数据进行处理，并将处理的结果发送到疲劳指标量提取模块；
所述疲劳指标量提取模块包括HRV提取模块、LF提取模块，用于提取视觉疲劳指标量，并将提取结果发送到监测预警模块；
所述监测预警模块包括视觉疲劳分类模块、以及视觉疲劳指导模块，用于疲劳分类监测预警，并将结果发送到终端执行模块；
所述终端执行模块包括语音预警模块、文字预警模块、以及VDT执行强制预警模块。
2.根据权利要求1所述的一种VDT视觉疲劳监测预警系统，其特征在于：所述信号采集模块包括三向加速度传感器、可调节智能座椅和信号采集卡Nextkit S-，所述智能座椅放于实验台前方，所述三向加速度传感器安装于智能座椅靠背位置，所述信号采集卡与三向加速度传感器相连接。
3.根据权利要求1所述的一种VDT视觉疲劳监测预警系统，其特征在于：所述信号处理模块基于Labview实现，其中，信号预处理模块基于自适应阈值小波算法，对信号进行去噪，FFT模块用于将加速度信号由时域转变为频域，带通滤波模块用于在心电频率范围内实现滤波，IFFT模块用于将信号由频域转变为时域，实现心冲击信号的提取。
4.根据权利要求3所述的一种VDT视觉疲劳监测预警系统，其特征在于：所述疲劳指标量提取模块将成功提取后的心冲击信号经过基于小波算法确定J波位置，计算JJ间期，完成LF指标量提取，将提取后的指标量输入监测预警模块。
5.根据权利要求1所述的一种VDT视觉疲劳监测预警系统，其特征在于：所述视觉疲劳分类模块基于支持向量机，经过大量数据训练建立数据库，获取疲劳等级，所述视觉疲劳指导模块用于针对不同等级视觉疲劳提出不同治疗方案。
6.根据权利要求1所述的一种VDT视觉疲劳监测预警系统，其特征在于：所述终端执行模块基于软件与app对VDT产品进行强制性操作。
一种VDT视觉疲劳监测预警系统
技术领域
[0001] 本发明属于疲劳监测技术领域，尤其是涉及一种VDT视觉疲劳监测预警系统。
背景技术
[0002] 目前，由于Visual Display Teminal (VDT)产品使用时间过长导致的眼科疾病日益增多，也给人们的身体健康带来了极大的威胁，如人体生理机能低下、心理发生变化后的
心理疲劳、烦躁郁闷、肌肉酸痛、四肢无力、无精打采、头昏脑涨、眼睛干涩、流泪等问题。可见，对VDT视觉疲劳进行监测预警迫在眉睫。
心理疲劳、烦躁郁闷、肌肉酸痛、四肢无力、无精打采、头昏脑涨、眼睛干涩、流泪等问题。可见，对VDT视觉疲劳进行监测预警迫在眉睫。
[0003] 目前，对VDT视觉疲劳的研究主要分为三类：基于生理信号的客观测量法，该方法通常需固定电极等设备于手指、腕部、头部或胸部位置，此种束缚式监测对舒适性影响较
大，受环境影响较大，给被测试者带来了精神压力；基于VDT使用者所描述主观感受的主观
评分法，该方法无具体的物理指标衡量，其准确性仅依赖于受试者的主观感受，仅可作为客
观VDT视觉疲劳监测的辅助验证方法；基于任务完成程度的主任务评分法，该类方法受如睡
眠质量、精神状态等未知因素影响，仅可作为辅助验证方法。
大，受环境影响较大，给被测试者带来了精神压力；基于VDT使用者所描述主观感受的主观
评分法，该方法无具体的物理指标衡量，其准确性仅依赖于受试者的主观感受，仅可作为客
观VDT视觉疲劳监测的辅助验证方法；基于任务完成程度的主任务评分法，该类方法受如睡
眠质量、精神状态等未知因素影响，仅可作为辅助验证方法。
发明内容
[0005] 有鉴于此，本发明旨在提出一种VDT视觉疲劳监测预警系统，以解决上述背景技术中提到的问题。
[0006] 为达到上述目的，本发明的技术方案是这样实现的：
[0008] 所述信号采集模块用于采集加速度信号，并将采集的结果发送到信号处理模块；
[0009] 所述信号处理模块包括信号存储模块、信号预处理模块、FFT模块、带通滤波模块、IFFT模块，用于对接收的数据进行处理，并将处理的结果发送到疲劳指标量提取模块；
[0010] 所述疲劳指标量提取模块包括HRV提取模块、LF提取模块，用于提取视觉疲劳指标量，并将提取结果发送到监测预警模块；
[0011] 所述监测预警模块包括视觉疲劳分类模块、以及视觉疲劳指导模块，用于疲劳分类监测预警，并将结果发送到终端执行模块；
[0012] 所述终端执行模块包括语音预警模块、文字预警模块、以及VDT执行强制预警模块。
[0013] 进一步的，所述信号采集模块包括三向加速度传感器、可调节智能座椅和信号采集卡Nextkit S-，所述智能座椅放于实验台前方，所述三向加速度传感器安装于智能座椅
靠背位置，所述信号采集卡与三向加速度传感器相连接。
靠背位置，所述信号采集卡与三向加速度传感器相连接。
[0014] 进一步的，所述信号处理模块基于Labview实现，其中，信号预处理模块基于自适应阈值小波算法，对信号进行去噪，FFT模块用于将加速度信号由时域转变为频域，带通滤
波模块用于在心电频率范围内实现滤波，IFFT模块用于将信号由频域转变为时域，实现心
冲击信号的提取。
波模块用于在心电频率范围内实现滤波，IFFT模块用于将信号由频域转变为时域，实现心
冲击信号的提取。
[0015] 进一步的，所述疲劳指标量提取模块将成功提取后的心冲击信号经过基于小波算法确定J波位置，计算JJ间期，完成LF指标量提取，将提取后的指标量输入监测预警模块。
[0018] 相对于现有技术，本发明所述的一种VDT视觉疲劳监测预警系统具有以下优势：
[0019] 本发明可以对VDT使用者进行无约束式监测预警，降低使用者心理压力，提高使用者舒适度与监测精度；智能完成由信号采集，信号处理，指标量提取、视觉疲劳分类到预警
的完整过程，提高监测效率，在最短时间内完成VDT使用者的视觉状态判断，最大程度降低
长时间使用VDT产品对使用者的伤害。
附图说明
的完整过程，提高监测效率，在最短时间内完成VDT使用者的视觉状态判断，最大程度降低
长时间使用VDT产品对使用者的伤害。
附图说明
[0020] 构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0021] 图1为本发明实施例所述的一种VDT视觉疲劳监测预警系统示意图；
[0022] 图2为本发明实施例所述的自适应阈值小波去噪前后对比示意图；
[0023] 图3为本发明实施例所述的FFT变换后图像；
[0024] 图4为本发明实施例所述的IFFT后心冲击信号；
[0025] 图5为本发明实施例所述的HRV频谱图及LF值；
[0026] 图6为本发明实施例所述的测试人员的RR、JJ间期平均值示意图；
具体实施方式
[0028] 需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0029] 在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对
本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”
的含义是两个或两个以上。
本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”
的含义是两个或两个以上。
[0030] 在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语
在本发明中的具体含义。
在本发明中的具体含义。
[0031] 下面将参考附图并结合实施例来详细说明本发明。
[0032] 如图1所示，本发明包括信号采集模块、信号处理模块、疲劳指标量提取模块、监测预警模块和终端执行模块，其中信号采集模块包括加速度传感器、信号采集卡和信号存储
器，用于加速度信号的采集；信号处理模块包括基于小波去噪的信号预处理模块、FFT（傅里
叶变换）模块、带通滤波模块和IFFT模块，用于信号的去噪处理、时频变换，疲劳指标量提取
模块用于J波定位以及JJ间期获取，提取视觉疲劳指标量LF，监测预警模块基于支持向量机
的视觉疲劳分类模块、视觉疲劳指导模块，用于疲劳分类以及相应语音、文字预警，提出指
导性建议，终端执行模块用于对VDT视觉设备执行操作，包括VDT设备强制休眠、重新启动。
器，用于加速度信号的采集；信号处理模块包括基于小波去噪的信号预处理模块、FFT（傅里
叶变换）模块、带通滤波模块和IFFT模块，用于信号的去噪处理、时频变换，疲劳指标量提取
模块用于J波定位以及JJ间期获取，提取视觉疲劳指标量LF，监测预警模块基于支持向量机
的视觉疲劳分类模块、视觉疲劳指导模块，用于疲劳分类以及相应语音、文字预警，提出指
导性建议，终端执行模块用于对VDT视觉设备执行操作，包括VDT设备强制休眠、重新启动。
[0033] 本发明的工作过程如下：
[0034] 设备的安装：
[0035] 装有加速度传感器的座椅，座椅采用无轮式以减少因移动引起的噪声对信号采集的影响；信号采集系统选择LMS公司的振动分析采集系统，其加速度传感器型号为：PCB-
333B30。
333B30。
[0036] 当VDT使用者进行VDT使用时，背部紧靠装有三向加速度传感器的智能座椅，Nextkit S-信号采集卡开始信号采集，将信号传递给Labview系统，进行信号预处理，以减
小工频干扰、基线漂移等噪声，然后进行FFT，将加速度信号由时域转变为频域，然后在心电
频率范围内进行带通滤波，再进行IFFT，频域信号转变为时域信号，完成心冲击信号的提
取，再将成功提取后的心冲击信号经过基于小波算法确定J波位置，计算JJ间期，完成LF指
标量提取，将提取后的指标量输入监测预警模块，使用支持向量机算法将视觉疲劳进行分
类，分为不疲劳、轻微疲劳、疲劳、严重疲劳四类，监测预警模块根据不同疲劳类别给予使用
者进行不同文字、语音预警，若为严重疲劳，预警3次过后，使用者还在继续，则终端执行模
块强制对VDT产品进行休眠，达到设置时间后，VDT产品方可继续工作。
小工频干扰、基线漂移等噪声，然后进行FFT，将加速度信号由时域转变为频域，然后在心电
频率范围内进行带通滤波，再进行IFFT，频域信号转变为时域信号，完成心冲击信号的提
取，再将成功提取后的心冲击信号经过基于小波算法确定J波位置，计算JJ间期，完成LF指
标量提取，将提取后的指标量输入监测预警模块，使用支持向量机算法将视觉疲劳进行分
类，分为不疲劳、轻微疲劳、疲劳、严重疲劳四类，监测预警模块根据不同疲劳类别给予使用
者进行不同文字、语音预警，若为严重疲劳，预警3次过后，使用者还在继续，则终端执行模
块强制对VDT产品进行休眠，达到设置时间后，VDT产品方可继续工作。
[0037] 其中，信号预处理模块利用自适应阈值小波算法以进行心冲击信号的降噪和提取，自适应阈值小波去噪步骤主要围绕影响小波去噪效果四个因素（阈值函数、阈值、小波
基和分解尺度）进行。具体步骤如下：
基和分解尺度）进行。具体步骤如下：
[0038] （1）阈值函数的确定阈值函数为：
（1）
其中，th为阈值，x为无噪信号，m为参数，用来调整阈值函数根据经验选择，
为可变阈值函数。
（2）
其中， ，mj取最大值11，随着j变大mj变小，Enj为分解j层后第j层的噪声能量，
其表达式为：
（3）
Edj为信号分解j层后高频部分的总能量，为其表达式为：
（4）
dj,k为信号分解j层后高频的系数。
当分解j层后m根据式（2）确定后带入（1）式，得到分解j层后的阈值函数为：
（5）
（1）
其中，th为阈值，x为无噪信号，m为参数，用来调整阈值函数根据经验选择，
为可变阈值函数。
（2）
其中， ，mj取最大值11，随着j变大mj变小，Enj为分解j层后第j层的噪声能量，
其表达式为：
（3）
Edj为信号分解j层后高频部分的总能量，为其表达式为：
（4）
dj,k为信号分解j层后高频的系数。
当分解j层后m根据式（2）确定后带入（1）式，得到分解j层后的阈值函数为：
（5）
[0039] （2）阈值的确定设无噪原始信号为x，含噪实测信号为y，噪声信号为n，数学模型为：
（6）
设y，x，n经过小波变换后的系数分别为 ，u和v。对应数学模型为：
（7）
定义函数：
（8）
其中， 为阈值函数， 是N维向量y的映射函数。可以建立等式：
（9）
当 取最小值的时候， 也对应最小值。所以g(y)可微，根据SURE无偏
估计可得：
（10）
其中，
SURE是式（10）的一个无偏估计，定义为：
（11）
通过式（9），可以得出，MSE最小值对应着SURE的无偏估计的最小值，因此，计算式（11）
取最小值时对应的阈值就是最小MSE意义下的最佳阈值。RS(t)的梯度函数为：
（12）
根据式(8), ,代入式（1）计算偏导数：
（13）
（14）
通过极小化不同分解尺度上的 ，获得对应尺度上的最优阈值thj。使用最优化算
法的最速下降法即可找到最优阈值。
（6）
设y，x，n经过小波变换后的系数分别为 ，u和v。对应数学模型为：
（7）
定义函数：
（8）
其中， 为阈值函数， 是N维向量y的映射函数。可以建立等式：
（9）
当 取最小值的时候， 也对应最小值。所以g(y)可微，根据SURE无偏
估计可得：
（10）
其中，
SURE是式（10）的一个无偏估计，定义为：
（11）
通过式（9），可以得出，MSE最小值对应着SURE的无偏估计的最小值，因此，计算式（11）
取最小值时对应的阈值就是最小MSE意义下的最佳阈值。RS(t)的梯度函数为：
（12）
根据式(8), ,代入式（1）计算偏导数：
（13）
（14）
通过极小化不同分解尺度上的 ，获得对应尺度上的最优阈值thj。使用最优化算
法的最速下降法即可找到最优阈值。
[0040] （3）小波基的确定
[0042] （4）分解尺度的确定
[0043] 由小波变换理论可知：白噪声经过正交小波变换后仍然是白噪声；有用的信号经过小波变换后，其能量则被压缩到少数大尺度小波空间上数值较大的小波系数中，有用信
号的小波系数占主导地位，从而使这些小波系数表现出非白噪声特性。因此通过判断各层
小波空间系数判断是否具有白噪声特性，可以自适应地确定合理的分解层次，当小波高频
系数表现出非白噪声特性时，分解层数已经足够不需继续分下去。通过小波系数去相关白
化检验判断小波高频系数序列是否具有白噪声特性，可以自适应确定合理的层数，从而达
到去除噪声并尽可能多的保留有用信号的目的。
号的小波系数占主导地位，从而使这些小波系数表现出非白噪声特性。因此通过判断各层
小波空间系数判断是否具有白噪声特性，可以自适应地确定合理的分解层次，当小波高频
系数表现出非白噪声特性时，分解层数已经足够不需继续分下去。通过小波系数去相关白
化检验判断小波高频系数序列是否具有白噪声特性，可以自适应确定合理的层数，从而达
到去除噪声并尽可能多的保留有用信号的目的。
[0044] 小波系数去相关白化检验：
[0045] 原假设：H0{x(n)}为独立白噪声；否定假设：H1{x(n)}为相关序列。
[0046] 设原序列自相关系数估计值为 ,小波去相关后的自相关系数估计只为： 。估计方法使用 中的定义，当N充分放大后
和 都近似服从 分布，那么令：
（15）
其中， 为原序列的自相关系数， 为小波分解去相关后的自
相关系数。
（16）
其中，
（17）
则依据数理统计的理论，其近似服从 分布，在原假设条件下有：
（18）
所以，当检验统计量F(m,m)-1的数值较大时应拒绝原假设。这样，给定显著水平α，查自
由度为F(m,m)分布表，得到临界值Fα，当F(m,m)-1＞Fα时，应当否定原假设。
和 都近似服从 分布，那么令：
（15）
其中， 为原序列的自相关系数， 为小波分解去相关后的自
相关系数。
（16）
其中，
（17）
则依据数理统计的理论，其近似服从 分布，在原假设条件下有：
（18）
所以，当检验统计量F(m,m)-1的数值较大时应拒绝原假设。这样，给定显著水平α，查自
由度为F(m,m)分布表，得到临界值Fα，当F(m,m)-1＞Fα时，应当否定原假设。
[0047] 分解尺度的步骤如下：
[0048] 令分解层数j=1，进行小波分解，提取高频系数dkj组成H1{x(n)}为相关序列，然后对dkj进行小波去相关白化检验，若dkj表现白噪声则：
（19）
若dkj无法表现白噪声，则得到最优的分解层数：
（20）
（19）
若dkj无法表现白噪声，则得到最优的分解层数：
（20）
[0049] （5）在j层上进行小波分解；
[0050] （6）如果j≤N，则j=j+1；若j＞N，则进行小波逆变换得到去噪后的信号。
[0051] 使用自适应阈值小波法对用LMS采集的测试者1在实验的第4个5min内25s的数据（图像如图2（a）所示）用Matlab进行时域滤波去噪然后再重构得到图2（b）所示图像。对比
（a）、（b）两图可知，信号曲线趋于光滑，噪声得到了明显的抑制。
（a）、（b）两图可知，信号曲线趋于光滑，噪声得到了明显的抑制。
[0052] 带通滤波模块用于在心电频率范围内实现滤波，带通滤波模块使用带通滤波器，允许一定频段的信号通过，抑制低于或高于该频段的信号、干扰和噪声通过。在二级降噪过
程中选用该滤波器将一级降噪后的信号经过FFT得到数据以及如图3（a）（b）所示幅度-频率
与相位-频率曲线图像，然后在心电范围内进行滤波后再进行IFFT变换得到心冲击信号，如
图4所示。
程中选用该滤波器将一级降噪后的信号经过FFT得到数据以及如图3（a）（b）所示幅度-频率
与相位-频率曲线图像，然后在心电范围内进行滤波后再进行IFFT变换得到心冲击信号，如
图4所示。
[0053] 疲劳指标量提取模块用于将成功提取后的心冲击信号经过基于小波算法确定J波位置，计算JJ间期，完成LF指标量提取，具体使用基于小波变换的检测方法，其主要步骤为：
[0054] 1.QRS波群检测
[0055] 心电信号经过滤波后，使用Mallat算法进行不同尺度的小波变换，利用差分阈值的方法将心电信号中QRS波在不同的频率段分离出来以实现QRS波群的检测。应用Mallat算
法进行不同尺度的小波变换，其数字滤波器的公式表示如下：
(1)
(2)
法进行不同尺度的小波变换，其数字滤波器的公式表示如下：
(1)
(2)
[0056] 其中， 为待处理的心电信号, 为信号的二进制小波变换。Mallat 算法主要是通过找到信号小波变换后模极大值的位置和相应的幅度信息来判断信号的奇异点
的位置。
的位置。
[0057] （1）R波检测
[0058] 将心电信号进行小波变换后，在Mallat算法下，其检测方法如下：
[0059] 1) 选择分解尺度：信号经小波变换分解后，信号不同的特征信息分布在不同的尺度上。因QRS波群的能量主要集中在尺度23和尺度24上，并且能量在23尺度上最大。所以本算
法采取从尺度21到尺度23来检测R波;
法采取从尺度21到尺度23来检测R波;
[0060] 2) 阈值的确定：在尺度23上的前20s中，分别找出每一秒钟的最大值，然后计算这20s最大值的均值，并且将均值的5/9作为检测QRS波群中的R波的幅度阈值。当发现幅度阈
值大于该阈值时，则认为找到了一个R波并进行标记。当在一个窗口内找到了尺度变化下信
号的模极值的位置，那么极值的位置就是R波波峰的位置。
值大于该阈值时，则认为找到了一个R波并进行标记。当在一个窗口内找到了尺度变化下信
号的模极值的位置，那么极值的位置就是R波波峰的位置。
[0061] 3)确定 R 波的模极大值列：R波在每个特征尺度上都能产生一对模极大值点，将这些模极大值点构成R波的模极大值列并且需要剔除不属于R波序列的极大值列。
[0062] 4) 去除孤立的模极大值点：令：
(3)
其中， ，a为正则指数。
令：
(4)
1 4
则在特征尺度2到2上，可以求出奇异点a1，a2和a3。R波峰总是对应于a1>0的情况，而且
在大部分情况下，其也对应于a2>0的情况。由于大部分R 波在尺度23的能量大于24，并且
从尺度23到尺度24衰减非常快，这就使得a3<0,并且a1+a2+a3≤0。因此，通过a1+a2+a3
的值不能有效的分辨出R波。所以这里在检测的时候只选择a1和a2，并且另 。当发
生心律失常等现象，R波往往会造成a增大。所以当a突然较少，甚至是成负数时，其相应的奇
异点一般是干扰或者噪声。因此，相应检测出来的模极大值可以从中去除。
(3)
其中， ，a为正则指数。
令：
(4)
1 4
则在特征尺度2到2上，可以求出奇异点a1，a2和a3。R波峰总是对应于a1>0的情况，而且
在大部分情况下，其也对应于a2>0的情况。由于大部分R 波在尺度23的能量大于24，并且
从尺度23到尺度24衰减非常快，这就使得a3<0,并且a1+a2+a3≤0。因此，通过a1+a2+a3
的值不能有效的分辨出R波。所以这里在检测的时候只选择a1和a2，并且另 。当发
生心律失常等现象，R波往往会造成a增大。所以当a突然较少，甚至是成负数时，其相应的奇
异点一般是干扰或者噪声。因此，相应检测出来的模极大值可以从中去除。
[0063] （2）QRS波的起点Q和终点S的检测
[0064] QRS波的起点是指Q波(当Q波不存在时为R波)的起点，QRS波的终点是指S波的终点，当S波不存在时为R波的终点。由于Q波和S波通常是高频低幅波，能量主要集中在小波变
换的小尺度上，因此，我们在尺度21上检测QRS波的起点Q波和终点S波。首先在确定了QRS波
群中R波的位置后在R波的前100ms内查找相应的极值点，对应也就找到了Q波波峰的位置，
然后再从Q波波峰出发，往回50ms内搜索连续两个点之差，如果连续两点之差小于固定的阈
值，那么就找到了Q波的起点。对于S波的检测，首先在R波的后100ms内找到对于的极值点，
为S波的波峰的位置，然后S波峰的100ms找到零电位点，零电位点被认为是Q波起点的中间
一点，当找到了零电位点，也就找到了S波的终点。
换的小尺度上，因此，我们在尺度21上检测QRS波的起点Q波和终点S波。首先在确定了QRS波
群中R波的位置后在R波的前100ms内查找相应的极值点，对应也就找到了Q波波峰的位置，
然后再从Q波波峰出发，往回50ms内搜索连续两个点之差，如果连续两点之差小于固定的阈
值，那么就找到了Q波的起点。对于S波的检测，首先在R波的后100ms内找到对于的极值点，
为S波的波峰的位置，然后S波峰的100ms找到零电位点，零电位点被认为是Q波起点的中间
一点，当找到了零电位点，也就找到了S波的终点。
[0065] 2. RR间期的计算
[0066] RR间期是指QRS波群中相邻两个R波波峰的间隔时间。RR间期的计算方法主要是采取R波产生的序列号为横坐标的方法，将其转化为等间隔的数据序列，然后每个数据的值等
于前后两个RR波之间的间期。
于前后两个RR波之间的间期。
[0067] 3. 将RR间期进行FFT得到不同的频率成分的频谱，获取0.04Hz-0.15Hz间的低频段功率值LF。
[0068] 将第一位测试者的第一次测量的心电信号经过上述步骤获取了0.04Hz-0.15Hz间的低频段功率值LF，其中，LF值为0.11。心冲击信号LF的获取步骤同心电信号。如图5所示。
将10位测试者在实验的6次采集到的ECG和BCG信号经过一级和二级去噪处理后计算
ECG的R波的RR间期和J波JJ间期，并求10位测试人员在每次实验的RR、JJ间期平均值，得到
如图6所示的结果。可见RR间期和JJ间期基本一致，差异很小。
将10位测试者在实验的6次采集到的ECG和BCG信号经过一级和二级去噪处理后计算
ECG的R波的RR间期和J波JJ间期，并求10位测试人员在每次实验的RR、JJ间期平均值，得到
如图6所示的结果。可见RR间期和JJ间期基本一致，差异很小。
[0069] 计算10位测试者在每次实验的心电信号的LF平均值以及心冲击信号的LF值的平均值，得到如图7所示结果。可见心冲击信号的LF与心电信号的LF值相差很小，并且随着VDT
使用时间的增加，它们的值都是逐渐增大的。
使用时间的增加，它们的值都是逐渐增大的。
[0070] 分析ECG与BCG的LF值在120min的实验过程中逐渐上升。ECG的LF值在作业开始的15～20min出现一个峰值，可能是由于情绪波动造成的。实验结束时，其值达到最高；BCG的
LF值随着VDT的使用时间，一直处于上升的状态。
LF值随着VDT的使用时间，一直处于上升的状态。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种快速制暖并恒温控制方法及暖风机 | 2020-12-11 | 2 |
| 一种应用于CMOS图像传感器的高精度阵列模数转换器 | 2021-01-31 | 1 |
| 一种柔性卫星通信设备 | 2020-06-22 | 0 |
| 一种氮化物陶瓷氨气尾气处理系统及其处理方法 | 2022-06-22 | 0 |
| 一种基于物联网的射孔枪内盲孔切削加工控制系统及方法 | 2024-02-12 | 1 |
| 耳机组件的通信连接方法、装置、无线耳机及存储介质 | 2023-04-28 | 1 |
| 一种保持机组正压的压力控制装置、方法及空调设备 | 2020-05-18 | 0 |
| 一种基于深度神经网络的意念控制系统 | 2021-02-01 | 2 |
| 一种家庭绿植培养装置 | 2020-06-20 | 2 |
| 一种扭矩传感器 | 2021-10-12 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈