人类睡眠数据获取和分析方法的研究

发布时间：2017-03-20 13:08

  本文关键词：人类睡眠数据获取和分析方法的研究，由笔耕文化传播整理发布。

【摘要】：随着可穿戴智能设备迅速发展以来,人们越来越关注个人的身体健康。而人类的大部分时间是处于睡眠中的,拥有良好的睡眠,不仅可以使人精力充沛、体力旺盛,还可以预防疾病。所以,利用可穿戴设备进行睡眠监测是非常必要的。通过设备获取的睡眠数据,识别睡眠的阶段,评估睡眠质量,进而改善睡眠。有时睡眠的好坏,也决定着运动情况,所以要进一步探究睡眠与运动的关系。本文针对睡眠识别过程中的数据获取、特征提取、分类方法等重要问题进行研究,主要研究内容有:1.针对人类睡眠识别过程中的数据获取和特征选择问题,利用智能手机来搜集声音和体动数据,并对其进行预处理,并提出联合特征提取和特征选择的TSFS方法。单纯的使用一种方法来选择特征,都会存在着一定的弊端。该方法是将特征提取和特征选择两种方法的联合,不仅可以筛选出符合实际情况的特征,而且还提高了分类的准确度。2.针对人类睡眠识别过程中的分类方法问题,提出基于改进二叉树的Multi-SVM睡眠分类器融合方法。单纯的使用一种分类方法,分类准确度难以得到提升。该方法是将多个SVM分类器组合成单枝的二叉树的形状,且树的每个节点都用一个二分类的SVM来分类。不仅降低了分类误差的积累,同时也提高了分类准确度。3.针对人类睡眠与运动的关系,提出基于Aprior方法的睡眠与运动预测模型。通过智能设备获取睡眠和运动数据,对其进行特征提取、分类识别。长期统计睡眠及运动情况,并用Aprior关联规则挖掘方法挖掘出睡眠与运动间的关系。经大量实验证明,睡眠质量在一定程度上影响着运动强度。
【关键词】：可穿戴 睡眠监测 特征提取 特征选择 分类器融合
【学位授予单位】：黑龙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R740;TP368.33
【目录】：

• 中文摘要4-5
• Abstract5-10
• 第1章 绪论10-22
• 1.1 人类睡眠研究的背景与意义10-12
• 1.2 国内外研究现状12-19
• 1.2.1 睡眠数据获取方法的研究现状12-15
• 1.2.2 特征提取的研究现状15-16
• 1.2.3 分类方法的研究现状16-19
• 1.3 研究目的和主要内容19-21
• 1.4 本文章节安排21-22
• 第2章 人类睡眠识别中数据获取和特征提取方法的研究22-47
• 2.1 引言22-23
• 2.2 数据获取23-24
• 2.3 数据预处理24-30
• 2.3.1 加速度数据预处理25-28
• 2.3.2 声音数据预处理28-30
• 2.4 特征30-31
• 2.4.1 先验特征30-31
• 2.4.2 非先验特征31
• 2.5 特征选择方法31-40
• 2.5.1 方法概述34
• 2.5.2 基于增L减R的特征选择LRFS方法34-35
• 2.5.3 基于核的特征提取KPCA方法35-38
• 2.5.4 联合特征提取和特征选择的TSFS方法38-40
• 2.6 实验结果及分析40-46
• 2.6.1 数据集41-42
• 2.6.2 分类器42
• 2.6.3 性能指标42-43
• 2.6.4 TSFS的实验结果及分析43-46
• 2.7 本章小结46-47
• 第3章 基于改进二叉树的Multi-SVM睡眠分类器融合方法的研究47-59
• 3.1 引言47
• 3.2 分类方法概述47-48
• 3.2.1 监督学习方法47-48
• 3.2.2 非监督学习方法48
• 3.3 分类方法的融合技术48-55
• 3.3.1 融合技术概述48-49
• 3.3.2 基于Bagging多分类器选择融合49-50
• 3.3.3 基于AdaBoost多分类器组合融合50
• 3.3.4 基于二叉树的Multi-SVM分类器融合50-52
• 3.3.5 基于改进二叉树的Multi-SVM睡眠分类器融合52-55
• 3.4 实验结果及分析55-58
• 3.4.1 数据集55-56
• 3.4.2 结果分析56-58
• 3.5 本章小结58-59
• 第4章 人类睡眠对运动影响的研究59-70
• 4.1 引言59-60
• 4.2 问题描述60
• 4.3 基于Aprior方法的睡眠与运动预测模型60-67
• 4.3.1 数据采集61
• 4.3.2 睡眠特征提取61
• 4.3.3 睡眠阶段划分及睡眠质量评估61-63
• 4.3.4 运动强度预测63-64
• 4.3.5 Aprior模型64-67
• 4.4 实验结果与分析67-69
• 4.4.1 数据集67-68
• 4.4.2 结果分析68-69
• 4.5 本章小结69-70
• 结论70-72
• 参考文献72-78
• 致谢78-79
• 攻读硕士学位期间发表的学术论文及参加的科研项目79

【相似文献】

中国期刊全文数据库 前10条

1 葛丁飞;李小梅;;心电信号多周期融合特征提取和分类研究[J];中国生物医学工程学报;2006年06期

2 张绍武;潘泉;赵春晖;程咏梅;;基于加权自相关函数特征提取法的多类蛋白质同源寡聚体分类研究[J];生物医学工程学杂志;2007年04期

3 薛建中,郑崇勋,闫相国;快速多变量自回归模型的意识任务的特征提取与分类[J];西安交通大学学报;2003年08期

4 杨晓敏,罗立民;白细胞自动分类中的特征提取和分析[J];北京生物医学工程;1992年04期

5 王双维;樊晓平;廖志芳;;一种激光诱导荧光光谱特征提取新方法[J];计算机工程与应用;2008年12期

6 杜军平,涂序彦;计算机图像处理技术在舌像特征提取中的应用[J];中国医学影像技术;2003年S1期

7 游佳;陈卉;;数字图像中血管的分割与特征提取[J];生物医学工程与临床;2011年01期

8 谢轶峰;;乳腺超声图像肿瘤特征提取与肿瘤分类[J];中外医疗;2013年16期

9 吴泽晖,吴星;医学图象的边缘特征提取[J];海南师范学院学报(自然科学版);2003年03期

10 杨晓敏，罗立民，韦钰;血液白细胞计算机分类中的特征提取研究[J];应用科学学报;1994年02期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光，

本文编号：257836