基于神经网络的胸外按压动作规范性判断及误差补偿方法研究
发布时间：2020-12-22 17:49
近年来,常常有人遇到各种突发状况,导致心脏骤停而猝死。据不完全统计,全球每年约有600万人因心脏骤停而猝死,其中我国因心脏骤停而猝死人数将近60万。胸外按压作为基本的紧急救助措施,要求施救者的动作有较高的准确度,以获得良好的急救效果,同时也要避免因为按压不规范,给患者造成的二次伤害。传统胸外按压动作是否标准的判断的方法,主要是在测量按压深度的动态过程中实现的。当前精准测量深度的方法有超声波测距、激光测距和红外测距等。有研究表明,使用微型仪表进行按压深度测量,利用加速度传感器数值的二次积分法是行之有效的。结合数据采集和实验结果发现,当某物体进行规律的往复运动时,会采集到有规律的加速度波形数据。当胸外按压的动作规范并且符合急救标准时,波形的相似性较高;当按压距离差距的误差超过5mm时,波形与标准距离波形进行对比,会具有较为明显的差异;当按压过程中出现较大抖动或者按压间歇过长时,其波形显示与标准波形也存在着明显差异,这说明其波形信号的识别分类过程具有可学习的特征,可以利用人工智能的方法进行学习并分类,并且依据分类情况对物体往复运动的距离进行评估。本文的主要工作和创新点包括:1.本研究进行了充...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
胸外按压规范操作示意图
Meter)、自动胸外按压心肺复苏器(WFS-01)等。针对市场上各类胸外按压检测仪器的使用情况，大部分所使用的主要原理中，都包含对按压过程中的按压深度的计算与反溃针对前文的论述，对按压深度的测量可以看做对位移距离的计算，目前所使用的方法有二次积分法、压力开关控制积分法、按压深度加权平均法、积分复位法、二次离散积分法等。二次积分法。主要思路是基于物理的运动学原理和数学的计算方法，根据按压加速度的测量值得到速度和位移。这是各个方法的基础，将胸外按压的深度抽象为运动过程中水平方向上的位移，基本原理如图2-2所示。图2-2按压深度计算示意图Figure2-2Calculationofcompressiondepth图中a、V、s、t分别表示按压加速度、按压速度、按压深度、按压时间。理论是是基于采样加速数据的二次积分法来获得按压深度数据，可用如下公式计算胸外按压深度:==()21这种方法操作较为简单容易实现，并且可以结合梯形积分，根据数据特征和相关计算步骤，根据需要进行归纳优化计算的数据范围和方法步骤。但是在实际应用中，由于采样加速度数值包含了噪声的影响，同时还有重力加速度的影响，极易出现计算过程中的误差累积。压力开关控制积分。在按压设备上放置开关装置，在按压开始时，随着压力的增大，并且到达设定的阈值，这时开启积分计算；随着按压释放压力逐步减小，这时则就停止积分计算。由压力开关的闭合来设定积分的开始与结束，能够准确判断出按压状态，与压力释放还原状态。此方法虽然能够在一定程度上防止积分
工程硕士专业学位论文10产生的误差，但是压力开关具有机械特性，在按压开关阈值的设定和维持上有一定的难度，同时开关的闭合会有一定的滞后性等，这都极易造成不确定性的误差。梯形积分法。在积分的过程中要考虑到误差带来的影响，根据积分原理，可将积分法抽象的看成面积的计算。由于采样的按压加速度数值是一组随采样时间而不断变化的数据，当采样时间趋近于0时，积分值就更能客观的反应真实值，但是在实际的情况中，同样，采样的时间也不可能等于0，于是就存在积分误差。利用梯形算法具有可以将误差进一步分析的优势，以减小误差，如图2-3所示。图2-3梯形积分示意图Figure2-3TrapezoidalintegrationdiagramArea3表示积分误差，Samplen、Samplen+1分别表示某组采样数据第n个采样值和n+1个采样值。两个相邻采样值之间的积分面积为Area1和Area2之和。Area1可以近似的看为三角形，面积公式为：=222Area2的面积公式为：=23总的积分面积为梯形的面积：+=+224梯形积分算法求采样数据的积分值，能够在一定程度上降低积分误差，但是其不足之处没有充分考虑到：根据采样值绘制的积分曲线会有凹凸性的变化，以及没有明确误差补偿的具体标准，这样利用其进行二次积分所降低的误差并不明确，同时根据按压释放与还原情况等，误差也会有正负之变化。因此，本文将会以三个采样值为例，详细分析，进行合理有效的误差补偿计算。
【参考文献】：
期刊论文
[1]基于Adam优化的二维自适应TFPF地震去噪算法[J]. 孟繁磊,范秦寅,穆丽红. 吉林大学学报(信息科学版). 2020(01)
[2]带有方差减小的加权零阶随机梯度下降算法[J]. 鲁淑霞,张罗幻,蔡莲香,孙丽丽. 河北大学学报(自然科学版). 2019(05)
[3]机器学习分类问题及算法研究综述[J]. 杨剑锋,乔佩蕊,李永梅,王宁. 统计与决策. 2019(06)
[4]基于MEMS加速度传感器的振动加速度测量系统设计[J]. 徐磊,房立清,齐子元,李旭. 仪表技术与传感器. 2019(02)
[5]基于改进卷积神经网络算法的语音识别[J]. 杨洋,汪毓铎. 应用声学. 2018(06)
[6]基于低通滤波的相敏检波算法改进与实现[J]. 于振南,刘倩,高秀晓,胡海涛. 测井技术. 2018(05)
[7]GIS局部放电时域波形图像的模式识别方法[J]. 刘创华,何金,张春晖,曹梦,宋晓博,朱旭亮. 电力系统及其自动化学报. 2019(10)
[8]基于BP神经网络学习率优化的研究[J]. 赵建民,王雨萌. 微型电脑应用. 2018(08)
[9]一种卷积神经网络的稀疏性Dropout正则化方法[J]. 周安众,罗可. 小型微型计算机系统. 2018(08)
[10]基于加速度波形形态分析的胸外按压深度检测研究[J]. 吴豪杰,吴水才,刘忠英. 中国医疗设备. 2018(03)
硕士论文
[1]地震信号自动截取算法与震源类型识别研究[D]. 赵刚.广西师范大学 2017
[2]加速度测试积分位移算法及其应用研究[D]. 周英杰.重庆大学 2013
本文编号：2932163
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
胸外按压规范操作示意图
Meter)、自动胸外按压心肺复苏器(WFS-01)等。针对市场上各类胸外按压检测仪器的使用情况，大部分所使用的主要原理中，都包含对按压过程中的按压深度的计算与反溃针对前文的论述，对按压深度的测量可以看做对位移距离的计算，目前所使用的方法有二次积分法、压力开关控制积分法、按压深度加权平均法、积分复位法、二次离散积分法等。二次积分法。主要思路是基于物理的运动学原理和数学的计算方法，根据按压加速度的测量值得到速度和位移。这是各个方法的基础，将胸外按压的深度抽象为运动过程中水平方向上的位移，基本原理如图2-2所示。图2-2按压深度计算示意图Figure2-2Calculationofcompressiondepth图中a、V、s、t分别表示按压加速度、按压速度、按压深度、按压时间。理论是是基于采样加速数据的二次积分法来获得按压深度数据，可用如下公式计算胸外按压深度:==()21这种方法操作较为简单容易实现，并且可以结合梯形积分，根据数据特征和相关计算步骤，根据需要进行归纳优化计算的数据范围和方法步骤。但是在实际应用中，由于采样加速度数值包含了噪声的影响，同时还有重力加速度的影响，极易出现计算过程中的误差累积。压力开关控制积分。在按压设备上放置开关装置，在按压开始时，随着压力的增大，并且到达设定的阈值，这时开启积分计算；随着按压释放压力逐步减小，这时则就停止积分计算。由压力开关的闭合来设定积分的开始与结束，能够准确判断出按压状态，与压力释放还原状态。此方法虽然能够在一定程度上防止积分
工程硕士专业学位论文10产生的误差，但是压力开关具有机械特性，在按压开关阈值的设定和维持上有一定的难度，同时开关的闭合会有一定的滞后性等，这都极易造成不确定性的误差。梯形积分法。在积分的过程中要考虑到误差带来的影响，根据积分原理，可将积分法抽象的看成面积的计算。由于采样的按压加速度数值是一组随采样时间而不断变化的数据，当采样时间趋近于0时，积分值就更能客观的反应真实值，但是在实际的情况中，同样，采样的时间也不可能等于0，于是就存在积分误差。利用梯形算法具有可以将误差进一步分析的优势，以减小误差，如图2-3所示。图2-3梯形积分示意图Figure2-3TrapezoidalintegrationdiagramArea3表示积分误差，Samplen、Samplen+1分别表示某组采样数据第n个采样值和n+1个采样值。两个相邻采样值之间的积分面积为Area1和Area2之和。Area1可以近似的看为三角形，面积公式为：=222Area2的面积公式为：=23总的积分面积为梯形的面积：+=+224梯形积分算法求采样数据的积分值，能够在一定程度上降低积分误差，但是其不足之处没有充分考虑到：根据采样值绘制的积分曲线会有凹凸性的变化，以及没有明确误差补偿的具体标准，这样利用其进行二次积分所降低的误差并不明确，同时根据按压释放与还原情况等，误差也会有正负之变化。因此，本文将会以三个采样值为例，详细分析，进行合理有效的误差补偿计算。
【参考文献】：
期刊论文
[1]基于Adam优化的二维自适应TFPF地震去噪算法[J]. 孟繁磊,范秦寅,穆丽红. 吉林大学学报(信息科学版). 2020(01)
[2]带有方差减小的加权零阶随机梯度下降算法[J]. 鲁淑霞,张罗幻,蔡莲香,孙丽丽. 河北大学学报(自然科学版). 2019(05)
[3]机器学习分类问题及算法研究综述[J]. 杨剑锋,乔佩蕊,李永梅,王宁. 统计与决策. 2019(06)
[4]基于MEMS加速度传感器的振动加速度测量系统设计[J]. 徐磊,房立清,齐子元,李旭. 仪表技术与传感器. 2019(02)
[5]基于改进卷积神经网络算法的语音识别[J]. 杨洋,汪毓铎. 应用声学. 2018(06)
[6]基于低通滤波的相敏检波算法改进与实现[J]. 于振南,刘倩,高秀晓,胡海涛. 测井技术. 2018(05)
[7]GIS局部放电时域波形图像的模式识别方法[J]. 刘创华,何金,张春晖,曹梦,宋晓博,朱旭亮. 电力系统及其自动化学报. 2019(10)
[8]基于BP神经网络学习率优化的研究[J]. 赵建民,王雨萌. 微型电脑应用. 2018(08)
[9]一种卷积神经网络的稀疏性Dropout正则化方法[J]. 周安众,罗可. 小型微型计算机系统. 2018(08)
[10]基于加速度波形形态分析的胸外按压深度检测研究[J]. 吴豪杰,吴水才,刘忠英. 中国医疗设备. 2018(03)
硕士论文
[1]地震信号自动截取算法与震源类型识别研究[D]. 赵刚.广西师范大学 2017
[2]加速度测试积分位移算法及其应用研究[D]. 周英杰.重庆大学 2013
本文编号：2932163
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2932163.html
