权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

ウェアラブルヘルスモニタリングに向けたマルチスケール心拍変動解析・評価技術の開発

可穿戴健康监测多尺度心率变异性分析评估技术开发

基本信息

批准号：
19H04506
负责人：
卜楠
金额：
$ 4.99万
依托单位：
National Institute of Technology, Kumamoto College
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (B)
财政年份：
2019
资助国家：
日本
起止时间：
2019-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

本研究は、心拍変動データに含まれる短時間マルチスケール特徴情報をベースにストレス評価を目標に研究を進めた。また、時系列データを深層ニューラルネットに入力し自動的なモデル推定の研究も行った。該当年度の研究助成で主に下記の研究成果を得ることができた。１，短時間心拍変動データの非線形的評価手法Poincareプロットのマルチラグ表現に着目し、従来の評価指標も含み30～60Beatsの心拍データを用いて、解析用ラグ数を1～20まで変化させ、インデクス指標の変化及びストレス解析への影響を検討した。本年度の研究結果では、従来より広く用いられているSD1やCCMなどの統計指標がラグ数により大きく変化し、ストレス解析の結果もそれに伴い大いに変動することが確認した。また、本研究で主に検討する距離ベースの指標がラグ数による変化がほとんどなく、ストレス状態間の有意差も微小な変化しかないことが分かった。一方、ラグ数変化を利用した非線形モデル構造の次元に対する考察も困難である課題もあるので、今後引き続き検討する予定である。２，心拍変動データをはじめとする生体信号時系列は指標解析を経てストレスなどの分析を行うことが一般的だが。本研究は前年度リカレント構造のあるLSTMを利用した心拍およびその一次微分時系列データを直接解析した成果を踏まえて、本年度深層学習のCNN構造をベースに時系列データの直接推定を行った。利用したデータが同じく生体信号の筋電位で、0.128秒といった短時間時系列データより筋力を推定できることを確認した。この研究成果をベースに、今後心電図や心拍変動データへの応用も模索する予定である。

This study は, heart - move データに containing まれる short time マルチスケール, 徴 intelligence をベースにストレス review 価を target をに research into めた. Youdaoplaceholder0, time series デタをタをタを deep ニュラララネットにネットに input force <s:1> automatic なモデ presumption <s:1> research また field った. The <s:1> research achievements of that year で the main に notes down the <s:1> research results を the るたとがでとがでたたたたたた of that year. 1 Short time pat - heart データの nonlinear evaluation 価 gimmick Poincare プロットのマルチラグ performance にし, 従 to の review 価 index contains もみ 30 ~ 60 beats の heart take データを with いて, parse with ラグを 1 ~ 20 まで variations change させ, インデクス index の variations and びストレス parsing への influence を beg し検た . This year の results では, 従より hiroo く with いられている SD1 や CCM などの statistical indicators がラグ number により big きく - し, ストレス analytical results のもそれに with large いいに - move することが confirm した. また, this study でに beg す検る distance ベースの index がラグ number による variations change がほとんどなく, ストレス state between の deliberately bad も tiny な variations change しかないことが points かった. Party, ラグ number variations change を using した nonlinear モデル tectonic の dimensional にす seaborne る investigation も difficult である subject もあるので, future lead き続き beg す検る designated である. 2, pat - heart データをはじめとする raw body signal series は index analytic を経てストレスなどの line analysis をうことが general だが. Before this study は annual リカレント tectonic のある LSTM を using した heart take およびその series when a differential データを directly parse した results を tread まえて structure, this year's deep learning の CNN をベースに series when データの direct presumption を line った. Using したデータが with じく raw body signal の myogenic potential で, 0.128 seconds といった short time series データより thews を presumption できることを confirm した. The <s:1> research results をベをベスにスに, and in the future, the electrocardiogram や and cardiac beat changes デをベタへタへ応応 will be determined by using the model wire するである.