不同行为下的心率状态辨识
发布时间：2021-02-10 12:43
人体生理健康参数检测是当前“智慧医疗”及可穿戴设备领域热门的研究方向。其中,心率是能够直接反映心脏健康状态的指标之一。由于大多数可穿戴设备的心率检测只是检测心率值,并不能反映不同行为下的心率状态情况。因此,本文以人体生理健康参数检测为切入点,从行为识别和心率检测两个方面展开研究,并对不同行为下的心率状态辨识进行了方案设计。主要内容包括:对小波去噪算法的改进,提出了SPLDA-XGB行为识别算法,设计了在不同行为下心率状态辨识方案。针对加速度信号中的尖峰和突变噪声,由于传统的小波去噪算法的阈值选择恒定,并且在处理变化较快的信号时,自适应性差的问题,提出了改进的小波去噪算法。使用改进的小波阈值函数和复合评价指标对合加速度信号进行实验验证。结果表明,改进的小波去噪算法能够较好的去除加速度信号中的干扰。针对行为识别过程中,数据冗余造成的“维数灾难”问题,提出了SPLDA-XGB行为识别分类算法。首先基于PCA算法和LDA算法提出了SPLDA降维算法,SPLDA算法能够保证在原有样本协方差结构不变的情况下,获得变换矩阵中的主成分进行赋权,通过调节类间散度矩阵和类内散度矩阵,使得类间距离最大化的同...
【文章来源】：桂林电子科技大学广西壮族自治区
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
华为B5手环
如华为的 B5 手环，如图 1-1 所示；小米手环，如图1-2 所示，具有心率检测和运动助手的功能，但是不具备将行为识别的结果作为辅助，判断心率状态。如果需要监测在不同行为动作下的生理状态，只能依靠手动操作选定运动状态，然后由手环进行各项参数监测。智能医疗方面的设备，如“LifeShirt”监护系统或“AMON”监测设备等，智能监测人体的生命体征是否正常，并没有将行为与生理状态监测结合起来，进行日常监测或者发生异常状况时的及时警告或报警处理。
不同行为下的心率状态辨识首先通过加速度传感器获取到人体手腕桡动脉处的加速度信号，心率传感器获取到人体的实时脉搏信号。将获取到的加速度信号，经过数据预处理、加速度信号特征提取和分类器的行为识别分类后，判别当前人体的行为状态，同时心率传感器获取到脉搏信号，经过信号预处理、信号特征提取和心率计算公式获得不同行为下的心率值，由此判断在不同的行为下心率值是否处于正常的范围内。图 2-5 为静止时的三轴加速度波形图，图 2-6 为步行时的三轴加速度波形图，图 2-7 为慢跑时的三轴加速度波形图。在进行加速度信号时域和频域特征提取时，提取出来的数据特征需要充分反映静止、步行、跑步之间的差异，以便之后进行行为识别的分类处理。
【参考文献】：
期刊论文
[1]基于改进EEMD的心电信号基线漂移消除方法[J]. 林金朝,刘乐乐,李国权,柏桐,王慧倩,庞宇. 数据采集与处理. 2018(05)
[2]改进的经验模态分解法去除脉搏波基线漂移[J]. 苏志刚,吕江波,郝敬堂,张亚娟. 计算机测量与控制. 2018(07)
[3]基于小波的声发射信号去噪研究[J]. 杨慧,顾菊平,华亮,罗来武,陈猛. 现代电子技术. 2017(13)
[4]面向大规模嵌入式设备固件的自动化分析方法[J]. 王猛涛,刘中金,常青,陈昱,石志强,孙利民. 北京邮电大学学报. 2017(S1)
[5]步态识别的小波去噪质量评价方法[J]. 涂斌斌,谷丽华,许会. 沈阳工业大学学报. 2017(01)
[6]基于加速度信号和进化RBF神经网络的人体行为识别[J]. 卢先领,王洪斌,徐仙. 模式识别与人工智能. 2015(12)
[7]基于Android智能手机的心电与呼吸监测系统[J]. 邱天爽,马济通,张彪,朱勇. 中国医疗设备. 2015(10)
[8]增量LTSA算法在转子故障数据集降维中的应用[J]. 胡常安,袁德强,王彭,杜文波. 噪声与振动控制. 2015(01)
[9]基于智能手机传感器和SC-HMM算法的行为识别[J]. 孙冰怡,吕巍,李文洋. 吉林大学学报(理学版). 2013(06)
[10]传感器补偿系统中的小波去噪的应用及DSP的实现[J]. 裴峰,张志杰,王文廉,张雪峰. 仪表技术与传感器. 2012(12)
博士论文
[1]XGBoost机器学习模型在缺血性卒中后早期认知损害诊断中的应用研究[D]. 王训师.浙江大学 2018
[2]基于聚类及ANFIS的磨削工艺绿色度评价方法研究[D]. 王宇钢.东北大学 2015
[3]鲁棒线性子空间学习算法与框架研究[D]. 钟福金.西南交通大学 2015
[4]基于上下文感知的移动增强现实浏览器构建及优化方法研究[D]. 林一.北京理工大学 2015
[5]穿戴式健康监护及人机交互应用中若干关键技术研究[D]. 路知远.中国科学技术大学 2014
[6]基于人体运动状态识别的可穿戴健康监测系统研究[D]. 李娜.北京工业大学 2013
[7]心电波形检测与心率变异性分析方法研究[D]. 董红生.兰州理工大学 2012
[8]人体行为识别关键技术研究[D]. 何卫华.重庆大学 2012
[9]基于活动距离和心率对高水平女足运动员比赛负荷特征的研究[D]. 陈超.北京体育大学 2010
[10]基于脉搏波的无创连续血压测量方法研究[D]. 李顶立.浙江大学 2008
硕士论文
[1]脉搏波信号检测及数据处理方法研究[D]. 成恳.西安理工大学 2018
[2]可穿戴式健康参数监测方法与系统设计[D]. 黄伟荣.西安理工大学 2018
[3]基于经验模态分解的时间序列预测研究[D]. 成小林.大连理工大学 2018
[4]基于PPG的脉搏波信号调理技术研究及便携系统设计[D]. 王成.西安电子科技大学 2018
[5]基于XGBoost模型的上市公司财务危机预警研究[D]. 任秀梅.安徽大学 2018
[6]基于脉搏信号的人体脉搏特征参数的研究[D]. 马佳辉.北京邮电大学 2018
[7]基于循环神经网络的脉搏信号分析研究[D]. 郭彦杰.北京邮电大学 2018
[8]穿戴式多生理参数健康监测系统的研制[D]. 王宪忠.吉林大学 2017
[9]基于商品类目的个性化广告推荐[D]. 杨程远.西安电子科技大学 2017
[10]情绪启动对大学生饮酒者酒精相关刺激Go/no-go任务的影响[D]. 梁国栋.石河子大学 2017
本文编号：3027375
【文章来源】：桂林电子科技大学广西壮族自治区
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
华为B5手环
如华为的 B5 手环，如图 1-1 所示；小米手环，如图1-2 所示，具有心率检测和运动助手的功能，但是不具备将行为识别的结果作为辅助，判断心率状态。如果需要监测在不同行为动作下的生理状态，只能依靠手动操作选定运动状态，然后由手环进行各项参数监测。智能医疗方面的设备，如“LifeShirt”监护系统或“AMON”监测设备等，智能监测人体的生命体征是否正常，并没有将行为与生理状态监测结合起来，进行日常监测或者发生异常状况时的及时警告或报警处理。
不同行为下的心率状态辨识首先通过加速度传感器获取到人体手腕桡动脉处的加速度信号，心率传感器获取到人体的实时脉搏信号。将获取到的加速度信号，经过数据预处理、加速度信号特征提取和分类器的行为识别分类后，判别当前人体的行为状态，同时心率传感器获取到脉搏信号，经过信号预处理、信号特征提取和心率计算公式获得不同行为下的心率值，由此判断在不同的行为下心率值是否处于正常的范围内。图 2-5 为静止时的三轴加速度波形图，图 2-6 为步行时的三轴加速度波形图，图 2-7 为慢跑时的三轴加速度波形图。在进行加速度信号时域和频域特征提取时，提取出来的数据特征需要充分反映静止、步行、跑步之间的差异，以便之后进行行为识别的分类处理。
【参考文献】：
期刊论文
[1]基于改进EEMD的心电信号基线漂移消除方法[J]. 林金朝,刘乐乐,李国权,柏桐,王慧倩,庞宇. 数据采集与处理. 2018(05)
[2]改进的经验模态分解法去除脉搏波基线漂移[J]. 苏志刚,吕江波,郝敬堂,张亚娟. 计算机测量与控制. 2018(07)
[3]基于小波的声发射信号去噪研究[J]. 杨慧,顾菊平,华亮,罗来武,陈猛. 现代电子技术. 2017(13)
[4]面向大规模嵌入式设备固件的自动化分析方法[J]. 王猛涛,刘中金,常青,陈昱,石志强,孙利民. 北京邮电大学学报. 2017(S1)
[5]步态识别的小波去噪质量评价方法[J]. 涂斌斌,谷丽华,许会. 沈阳工业大学学报. 2017(01)
[6]基于加速度信号和进化RBF神经网络的人体行为识别[J]. 卢先领,王洪斌,徐仙. 模式识别与人工智能. 2015(12)
[7]基于Android智能手机的心电与呼吸监测系统[J]. 邱天爽,马济通,张彪,朱勇. 中国医疗设备. 2015(10)
[8]增量LTSA算法在转子故障数据集降维中的应用[J]. 胡常安,袁德强,王彭,杜文波. 噪声与振动控制. 2015(01)
[9]基于智能手机传感器和SC-HMM算法的行为识别[J]. 孙冰怡,吕巍,李文洋. 吉林大学学报(理学版). 2013(06)
[10]传感器补偿系统中的小波去噪的应用及DSP的实现[J]. 裴峰,张志杰,王文廉,张雪峰. 仪表技术与传感器. 2012(12)
博士论文
[1]XGBoost机器学习模型在缺血性卒中后早期认知损害诊断中的应用研究[D]. 王训师.浙江大学 2018
[2]基于聚类及ANFIS的磨削工艺绿色度评价方法研究[D]. 王宇钢.东北大学 2015
[3]鲁棒线性子空间学习算法与框架研究[D]. 钟福金.西南交通大学 2015
[4]基于上下文感知的移动增强现实浏览器构建及优化方法研究[D]. 林一.北京理工大学 2015
[5]穿戴式健康监护及人机交互应用中若干关键技术研究[D]. 路知远.中国科学技术大学 2014
[6]基于人体运动状态识别的可穿戴健康监测系统研究[D]. 李娜.北京工业大学 2013
[7]心电波形检测与心率变异性分析方法研究[D]. 董红生.兰州理工大学 2012
[8]人体行为识别关键技术研究[D]. 何卫华.重庆大学 2012
[9]基于活动距离和心率对高水平女足运动员比赛负荷特征的研究[D]. 陈超.北京体育大学 2010
[10]基于脉搏波的无创连续血压测量方法研究[D]. 李顶立.浙江大学 2008
硕士论文
[1]脉搏波信号检测及数据处理方法研究[D]. 成恳.西安理工大学 2018
[2]可穿戴式健康参数监测方法与系统设计[D]. 黄伟荣.西安理工大学 2018
[3]基于经验模态分解的时间序列预测研究[D]. 成小林.大连理工大学 2018
[4]基于PPG的脉搏波信号调理技术研究及便携系统设计[D]. 王成.西安电子科技大学 2018
[5]基于XGBoost模型的上市公司财务危机预警研究[D]. 任秀梅.安徽大学 2018
[6]基于脉搏信号的人体脉搏特征参数的研究[D]. 马佳辉.北京邮电大学 2018
[7]基于循环神经网络的脉搏信号分析研究[D]. 郭彦杰.北京邮电大学 2018
[8]穿戴式多生理参数健康监测系统的研制[D]. 王宪忠.吉林大学 2017
[9]基于商品类目的个性化广告推荐[D]. 杨程远.西安电子科技大学 2017
[10]情绪启动对大学生饮酒者酒精相关刺激Go/no-go任务的影响[D]. 梁国栋.石河子大学 2017
本文编号：3027375
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3027375.html
