基于无线传感器的呼吸检测算法研究
发布时间：2021-11-10 03:29
呼吸是维持一个正常生命的重要基础,它时刻反映着人们的生活健康状态。现阶段,一些接触式设备提供了高精度、高信噪比的呼吸信号检测方法,但接触式检测会引起目标行动不便或导致其产生异物感等问题。因此,如何通过非接触的设备进行呼吸信号的提取是迫切需要解决的问题。随着室内无线WiFi设备的普及,基于无线传感器的目标呼吸检测算法研究得到了广泛关注。但是,由于室内环境的复杂多变,墙壁、地板、家具及其他障碍物的阻挡影响了无线信号的传播并造成了多径效应。多径效应会使信号产生不同程度的衰减,影响信号质量。同时,目前流行的Intel 5300网卡,虽然提供了信道状态信息CSI（Channel State Information）,但其在信号收发间引入的随机相位偏差会对CSI相位产生干扰,导致CSI相位无法直接使用。针对上述问题及现存的技术难点,本文做了如下工作:（1）本文先阐述了利用无线传感器进行呼吸检测的原因与目的以及国内外的研究现状,接着介绍了常用的WiFi信号数学模型和神经网络模型。（2）本文提出了一个基于WiFi的呼吸检测算法,该算法首先利用MUSIC、RAP-MUSIC算法对空间中的路径AOA（An...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
呼吸引起胸腔运动
第二章相关理论基础成一些新的数据，来快速扩充数据集。AlexNet通过对数据进行随机裁剪、翻转以及PCA等操作，对数据进行了增强，使结果错误率下降了1%。此外，AlexNet在池化层上也做了改进，针对LeNet中不重叠的池化，即池化窗口的大小与池化步长相等，AlexNet中提出了可重叠池化，进一步抑制了过拟合问题的发生。Dropout是AlexNet提出的又一大创新，其设定了一定概率将神经元置0，并将该神经元从网络中删除，不进行前后向传播。随后，每一次新的迭代，都会按照一定概率进行神经元的删除操作，使得每次网络结构都发生改变，复杂化了网络结构，有效的减缓了过拟合问题。在网络组件层的堆叠上，AlexNet在LeNet的基础上进一步加深，并提出了卷积层叠加使用的方式，即利用卷积层接卷积层接池化层的方法来提取图像特征。AlexNet的网络结构图如图2-1所示。图2-1AlexNet网络结构图[70]结合当时的显卡内存，AlexNet为了更好的训练它的网络并提升网络的规模性，他们将网络分布在多个GPU上运行，实现了并行计算并有效提升了计算速率。AlexNet的网络结构比LeNet要更深一层，但就现今流行的深度提取特征的卷积神经网络来说结构较为简单。但深度是卷积神经网络很重要的一个影响因素，因此AlexNet在特征提取的深度上还可以进一步提高。紧随AlexNet之后出现的是ImageNet比赛的前两名，GoogLeNet[71,72]和VGG[73]。GoogLeNet是谷歌团队研究出来的卷积神经网络，它在网络的深度和宽度上都有很大加深。但是，随着神经网络网络层次数量和各层网络神经元数量的上升，网络参数也在不断增加。在数据量有限的环境中，极其容易发生过拟合问题。而网络结构复杂、网络参数过多，网络的前后向传播计算量就会增加、计算复11
第二章相关理论基础图2-2Vgg网络结构图[73]结构越是复杂、网络参数越多，网络就会有更强的表达能力。但随着研究的深入，人们发现深度CNN网络在深度到达一个临界值以后，就不能再通过一味地追求深度来提升网络的性能，相反，这还会促使网络收敛更慢、表达能力下降。若忽略小数据集引发的过拟合问题，网络反而会因为深度的加深而招致性能下降，因而VGG受限于19层，再增加深度会降低其性能。针对这一问题，2015年ImageNet比赛的冠军，ResNet[74]提出了解决方案。为了解决CNN随深度增加而退化的问题，ResNet引入的残差学习的概念。传统的卷积神经网络在深度的传播过程中，总会或多或少的出现信息丢失等问题，甚至导致梯度爆炸消失、网络无法训练的结果。ResNet通过直接将输入与输出相连，简化了学习任务，使残差网络不再学习如何得到输出‘y’而是学习如何等于0，这种结构也被称为skipconnections。这样的网络结构能进行快速的训练，同时参数量比VGG更低，模型的准确率更高，保障了深度又保障了准确率。作为时下最为流行的CNN之一，ResNet及其各种变体神经网络结构被用于各种图像特征提取之上。13
【参考文献】：
期刊论文
[1]基于深度学习的人工智能胸部CT肺结节检测效能评估[J]. 李欣菱,郭芳芳,周振,张番栋,王卿,彭志君,苏大同,范亚光,王颖. 中国肺癌杂志. 2019(06)
[2]基于深度学习的芯片图像超分辨率重建[J]. 范明明,池源,张铭津,李云松. 模式识别与人工智能. 2019(04)
[3]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌. 光学学报. 2019(07)
[4]基于Wi-Fi信道状态信息的室内定位技术现状综述[J]. 陈锐志,叶锋. 武汉大学学报(信息科学版). 2018(12)
[5]5G与WIFI联合组网的关键技术研究及发展趋势分析[J]. 李景枫,王宝莹. 科技创新导报. 2017(27)
[6]基于信道状态信息的无源室内定位[J]. 吴哲夫,徐强,王中友,陈滨,宣琦. 哈尔滨工程大学学报. 2017(08)
[7]一种组合型的深度学习模型学习率策略[J]. 贺昱曜,李宝奇. 自动化学报. 2016(06)
[8]基于Android平台的WiFi定位[J]. 杨帆,赵东东. 电子测量技术. 2012(09)
[9]机器学习研究[J]. 王珏,石纯一. 广西师范大学学报(自然科学版). 2003(02)
[10]GPS全球卫星定位技术的发展现状、动态及应用[J]. 何香玲,张跃,郑钢,曲天培. 微计算机信息. 2002(05)
本文编号：3486484
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
呼吸引起胸腔运动
第二章相关理论基础成一些新的数据，来快速扩充数据集。AlexNet通过对数据进行随机裁剪、翻转以及PCA等操作，对数据进行了增强，使结果错误率下降了1%。此外，AlexNet在池化层上也做了改进，针对LeNet中不重叠的池化，即池化窗口的大小与池化步长相等，AlexNet中提出了可重叠池化，进一步抑制了过拟合问题的发生。Dropout是AlexNet提出的又一大创新，其设定了一定概率将神经元置0，并将该神经元从网络中删除，不进行前后向传播。随后，每一次新的迭代，都会按照一定概率进行神经元的删除操作，使得每次网络结构都发生改变，复杂化了网络结构，有效的减缓了过拟合问题。在网络组件层的堆叠上，AlexNet在LeNet的基础上进一步加深，并提出了卷积层叠加使用的方式，即利用卷积层接卷积层接池化层的方法来提取图像特征。AlexNet的网络结构图如图2-1所示。图2-1AlexNet网络结构图[70]结合当时的显卡内存，AlexNet为了更好的训练它的网络并提升网络的规模性，他们将网络分布在多个GPU上运行，实现了并行计算并有效提升了计算速率。AlexNet的网络结构比LeNet要更深一层，但就现今流行的深度提取特征的卷积神经网络来说结构较为简单。但深度是卷积神经网络很重要的一个影响因素，因此AlexNet在特征提取的深度上还可以进一步提高。紧随AlexNet之后出现的是ImageNet比赛的前两名，GoogLeNet[71,72]和VGG[73]。GoogLeNet是谷歌团队研究出来的卷积神经网络，它在网络的深度和宽度上都有很大加深。但是，随着神经网络网络层次数量和各层网络神经元数量的上升，网络参数也在不断增加。在数据量有限的环境中，极其容易发生过拟合问题。而网络结构复杂、网络参数过多，网络的前后向传播计算量就会增加、计算复11
第二章相关理论基础图2-2Vgg网络结构图[73]结构越是复杂、网络参数越多，网络就会有更强的表达能力。但随着研究的深入，人们发现深度CNN网络在深度到达一个临界值以后，就不能再通过一味地追求深度来提升网络的性能，相反，这还会促使网络收敛更慢、表达能力下降。若忽略小数据集引发的过拟合问题，网络反而会因为深度的加深而招致性能下降，因而VGG受限于19层，再增加深度会降低其性能。针对这一问题，2015年ImageNet比赛的冠军，ResNet[74]提出了解决方案。为了解决CNN随深度增加而退化的问题，ResNet引入的残差学习的概念。传统的卷积神经网络在深度的传播过程中，总会或多或少的出现信息丢失等问题，甚至导致梯度爆炸消失、网络无法训练的结果。ResNet通过直接将输入与输出相连，简化了学习任务，使残差网络不再学习如何得到输出‘y’而是学习如何等于0，这种结构也被称为skipconnections。这样的网络结构能进行快速的训练，同时参数量比VGG更低，模型的准确率更高，保障了深度又保障了准确率。作为时下最为流行的CNN之一，ResNet及其各种变体神经网络结构被用于各种图像特征提取之上。13
【参考文献】：
期刊论文
[1]基于深度学习的人工智能胸部CT肺结节检测效能评估[J]. 李欣菱,郭芳芳,周振,张番栋,王卿,彭志君,苏大同,范亚光,王颖. 中国肺癌杂志. 2019(06)
[2]基于深度学习的芯片图像超分辨率重建[J]. 范明明,池源,张铭津,李云松. 模式识别与人工智能. 2019(04)
[3]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌. 光学学报. 2019(07)
[4]基于Wi-Fi信道状态信息的室内定位技术现状综述[J]. 陈锐志,叶锋. 武汉大学学报(信息科学版). 2018(12)
[5]5G与WIFI联合组网的关键技术研究及发展趋势分析[J]. 李景枫,王宝莹. 科技创新导报. 2017(27)
[6]基于信道状态信息的无源室内定位[J]. 吴哲夫,徐强,王中友,陈滨,宣琦. 哈尔滨工程大学学报. 2017(08)
[7]一种组合型的深度学习模型学习率策略[J]. 贺昱曜,李宝奇. 自动化学报. 2016(06)
[8]基于Android平台的WiFi定位[J]. 杨帆,赵东东. 电子测量技术. 2012(09)
[9]机器学习研究[J]. 王珏,石纯一. 广西师范大学学报(自然科学版). 2003(02)
[10]GPS全球卫星定位技术的发展现状、动态及应用[J]. 何香玲,张跃,郑钢,曲天培. 微计算机信息. 2002(05)
本文编号：3486484
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3486484.html
