基于多传感器的人体生理状态判别技术的研究

摘要

近些年来，随着生物传感器技术和可穿戴技术迅速的发展，越来越多用于监测人的生命健康活动的可穿戴产品正不断进入人们的生活。在可穿戴设备上采集和记录人体生理健康数据，如脉搏、呼吸、体温等，已经变得现实可行。然而，在连续长时间范围内的人体的生理信号数据量过大，不利于用户分析、观察和提取有价值信息。因此，论文研究的目的就是实现一种从连续而大量的人体生理数据中提取出简洁而有效的关于人体生理状态变化信息的判别技术。
　　利用此技术可以将人体的生理状态分为两类，一类是普通状态，即人体处于静息下的状态;另一类是事件状态，即人体经历活动、外力刺激或情绪变化等状态。该方法利用脉搏、呼吸、体温三种信号的各自判别机制对人体在相同时间内的生理状态进行二分类判别，并将分类结果以可视化等级分布图的形式回馈给用户，用户可以根据自身状态等级的高低对相应时间内的生理数据进行选择性关注。
　　论文对呼吸信号和体温信号采用的是设置阈值的方式，通过判断从呼吸波中提取出的呼吸频率和体温传感器采集到的人体体温的温度是否超过正常的阈值范围来将人体的生理状态进行二分类判别。而对于脉搏信号，采用基于离散小波变换的方法来去除掉信号中掺杂的高频噪声和基线漂移，从脉搏波的时域中提取周期和主波高度这两个参数作为支持向量机(SVM)的输入特征向量，通过有监督学习的训练方法来构建二分类模型，从脉搏的角度分类出人的生理状态是处于普通状态还是事件状态。本文通过运动、睡眠、喝酒三组实验，对SVM的分类性能进行了统计分析和评价，验证了SVM对人体生理状态判别具有良好的效果。通过将三种信号的判别结果进行融合显示，利用可视化软件将人体状态等级随时间的分布情况展示给用户，这样提供给用户一个观察自身生理状态变化的整体而简洁的视角。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景及意义

1．1．1 研究背景

1．1．2 研究意义

1．2 研究现状

1．3 本文的研究工作

第2章 体征信号与数据采集

2．1 人体三大体征信号

2．1．1 人体脉搏波信号

2．1．2 人体呼吸信号

2．1．3 人体体温信号

2．2 前端传感器简介

2．3 基于LabVIEW的数据采集与存储平台

2．3．1 DAQ数据采集

2．3．2 数据采集与存储

2．4 本章小结

第3章 脉搏波信号的预处理

3．1 脉搏波信号中的噪声成分与其特性分析

3．1．1 高频噪声

3．1．2 基线漂移

3．2 一维小波变换的基本原理

3．3 基于小波软阈值的低通滤波原理

3．4 基于小波分解和重构的基线漂移调整方法

3．5 本章小结

第4章 基于支持向量机的脉搏波信号分类

4．1 脉搏波信号的时域特征提取

4．1．1 脉搏波的时域特征

4．1．2 脉搏波时域特征的选择

4．1．3 脉搏波特征点的确定与参数计算

4．2 支持向量的原理

4．2．1 二分类问题

4．2．2 松弛变量和惩罚因子

4．2．3 核函数

4．3 脉搏波信号的SVM训练和分类

4．4 SVM分类实验与数据分析

4．5 本章小结

第5章 基于脉搏、呼吸、体温信号融合的人体状态判别

5．1 脉搏波信号的人体状态判别机制

5．2 呼吸信号的人体状态判别机制

5．3 体温信号的人体状态判别机制

5．4 三种生理信号的数据融合

5．4．1 信号的优先级设定

5．4．2 等级划分

5．4．3 状态等级可视化

5．5 可视化软件平台

5．6 本章小结

第6章 总结与展望

6．1 本文工作总结

6．2 未来展望

参考文献

致谢

攻读硕士学位期间发表的论文