基于脉搏信号的亚健康状态识别方法的研究

发布时间：2017-04-29 17:06

  本文关键词：基于脉搏信号的亚健康状态识别方法的研究，，由笔耕文化传播整理发布。

【摘要】：亚健康是指人的机体虽然没有明确的疾病,但呈现出活力降低,适应力呈不同程度减退的一种生理状态,是介于健康与疾病之间的一种生理功能降低的状态。它既可以向健康状态转化,又可以向坏的方向转化而进一步发展为各种疾病。亚健康已经成为当今危害人类健康的头号隐形杀手。由于没有器质性病变,通常不伴有明显的病理表现,现有的传统医疗检测设备,无法对机体的亚健康状态和导致功能低下的原因做出描述和判断。目前,亚健康状态的诊断主要靠一些生化指标和问卷调查,至今为止还未能提出同时具备无创、简便、快速、成本低、可重复采用、客观量化、敏感性和特异性高、能持续监测亚健康对个体的影响过程的测评方法。疲劳是导致亚健康的主要原因。本文从疲劳的角度入手,从理论上论证了基于脉搏信号分析对亚健康评估的可行性,并提出了一种通过脉搏信号分析来识别亚健康状态的方法。 中医学认为亚健康往往是人体阴阳失衡、脏腑功能失调的初始状态。脉搏信号中蕴涵着丰富的人体生理病理信息,是传递和窥视体内功能变化的窗口。因此,可以通过对脉搏信号的分析来对亚健康状态进行评估。 本文在综述国内外研究现状的基础上,系统地分析了中医脉象研究的工作流程和工作方法。用HK—2000C数字脉搏传感器构建了脉搏信号采集系统,设计了数据采集实验方案,采集了60余名大学生志愿者的脉搏信号,并从中选择处于中度以上亚健康状态的数据17组,健康状态数据13组进行分析。然后采用具有良好的时频局部化及自适应特性的小波分析法,研究了人体脉搏信号的去噪问题,取得了较好的效果。并且根据脉搏信号的产生机理、性质,提取了功率谱峰值、功率谱重心及其频率,AR模型系数,SER值,Renyi信息量等多个特征量。经对30例样本的分析识别检验,结果表明:功率谱峰值和峰值频率作为特征量能取得比较好的识别效果,识别正确率达到了86.7%,对17例亚健康状态仅有2例未能正确识别。功率谱重心和重心频率作为特征量也取得了80%的识别率,对AR模型系数的分类正确率也达到了76.7%,结果令人满意。Renyi信息量被引入到脉搏信号识别当中,取得了73.3%的识别率。SER值是比较常用的一种脉搏信号的频域特征,从分类效果来看SER值并不能很好的识别亚健康状态。文中还就线性判别式分析(Linear Discriminant Analysis,LDA)和支持向量机(support Vector Machine,SVM)的识别结果进行了比较。应用LDA取得了较好的识别结果。应用SVM也取得了一定的效果,但在其核函数选择以及参数调整方面均需要参考经验值而确定,在实际应用中推广性较差。最后介绍了亚健康状态识别系统的软件设计与实现。
【关键词】：亚健康状态 脉搏信号 特征提取 线性判别式分析 支持向量机
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2006
【分类号】：R318.0;TP391.4
【目录】：

• 摘要8-9
• ABSTRACT9-11
• 插图索引11-12
• 附表索引12-13
• 第1章 绪论13-19
• 1.1 课题研究背景及意义13-15
• 1.2 国内外研究现状15-17
• 1.3 本文研究内容17-19
• 第2章 亚健康与脉搏信号的基础知识19-25
• 2.1 引言19
• 2.2 亚健康基本知识19-20
• 2.2.1 亚健康的研究思路19-20
• 2.2.2 脉象与亚健康状态评估20
• 2.3 脉搏信号的基本特性20-23
• 2.3.1 脉图的基础20-21
• 2.3.2 脉图的时域判读法21-22
• 2.3.3 脉图的频谱分析22-23
• 2.3.4 最佳脉图23
• 2.4 中医脉诊23-25
• 第3章 脉搏信号的采集和预处理25-39
• 3.1 引言25
• 3.2 脉搏信号的采集25-27
• 3.2.1 传感器的选择25-26
• 3.2.2 亚健康状态自评表(SRSHS)26
• 3.2.3 脉搏信号的采集与选取26-27
• 3.3 小波分析27-31
• 3.3.1 小波变换27-29
• 3.3.2 多分辨分析29-31
• 3.4 基于小波变换的脉搏信号滤波处理31-36
• 3.4.1 脉搏信号的小波变换特性31-32
• 3.4.2 阈值法滤波32-34
• 3.4.3 小波基的选择34-35
• 3.4.4 分解层数的确定35-36
• 3.5 结果与分析36-39
• 第4章 脉搏信号的分析与特征提取39-50
• 4.1 引言39
• 4.2 基于功率谱估计的特征提取39-42
• 4.2.1 功率谱估计39-40
• 4.2.2 功率谱峰值及峰值频率40
• 4.2.3 功率谱重心及重心频率40-41
• 4.2.4 实验结果41-42
• 4.3 基于 AR模型参数的特征提取42-45
• 4.3.1 平稳随机信号的 AR参数模型42-43
• 4.3.2 脉搏信号的 AR模型参数估计43-44
• 4.3.3 AR模型阶数p的选择44-45
• 4.3.4 实验结果45
• 4.4 基于小波分析的特征提取45-47
• 4.4.1 SER值45-46
• 4.4.2 小波包对脉搏信号的分解46
• 4.4.3 实验结果46-47
• 4.5 基于魏格纳-维尔分布的特征提取47-49
• 4.5.1 魏格纳-维尔分布47-48
• 4.5.2 Renyi信息量48
• 4.5.3 实验结果48-49
• 4.6 实验讨论与总结49-50
• 第5章 脉搏信号的模式识别50-59
• 5.1 引言50
• 5.2 线性判别式分析对脉搏信号的识别50-52
• 5.2.1 线性判别式分析算法50-51
• 5.2.2 LDA分类结果51-52
• 5.3 支持向量机对脉搏信号的识别52-58
• 5.3.1 机器学习基本知识52-53
• 5.3.2 统计学习理论53-54
• 5.3.3 支持向量机54-57
• 5.3.4 核函数参数的自动调整57-58
• 5.3.5 SVM分类结果58
• 5.4 实验讨论与总结58-59
• 第6章 亚健康识别系统的软件设计59-63
• 6.1 引言59
• 6.2 脉搏识别系统功能与分析59-61
• 6.2.1 系统功能模块的划分59-60
• 6.2.2 开发和运行环境开发工具60
• 6.2.3 数据库的设计60-61
• 6.3 主要窗体界面及运行结果61-63
• 总结与展望63-65
• 参考文献65-69
• 致谢69-71
• 附录A 亚健康状态自评表(SRSHS)71-73
• 附录B 攻读学位期间所发表的学术论文目录73

【引证文献】

中国期刊全文数据库 前1条

1 温宗良;岳桂华;唐莎莎;;支持向量机在中医临床诊断中的研究进展[J];江苏中医药;2012年04期

中国博士学位论文全文数据库 前1条

1 郑莹莹;基于桡动脉波形分析的动脉硬化评估指标研究[D];中国科学技术大学;2011年

中国硕士学位论文全文数据库 前6条

1 焦洋;指端脉搏信号测试系统研究[D];长春理工大学;2007年

2 徐涛;人体脉象生理信息的提取与识别方法研究[D];山东科技大学;2008年

3 郝晓霞;基于脉搏波的动脉硬化识别方法的研究[D];内蒙古大学;2009年

4 齐淑敏;脉搏信号时频特征提取方法研究及信息处理系统设计[D];山东建筑大学;2010年

5 王业泰;基于实时脉搏信号处理的VDT视疲劳状态识别研究[D];兰州理工大学;2010年

6 魏宇良;基于小波分析和支持向量机理论的脉像信号处理方法研究[D];华南理工大学;2010年

  本文关键词：基于脉搏信号的亚健康状态识别方法的研究，由笔耕文化传播整理发布。

本文编号：335266