基于体域网的脉搏波数据融合计算方法

摘要

近些年来，随着生物传感器技术和体域网技术迅速发展，越来越多用于感知健康状态的体域网产品正不断地进入人们的生活。在体域网设备上采集和记录日常生活中人体生理数据，如脉搏、呼吸、体温等，已经变得现实可行。然而，长时间范围内体域网设备会连续采集到海量的生理信号数据，不利于普通用户观察、分析和提取有价值的健康信息。因此，本文利用数据融合方法从人体生理数据中计算出人体生理状态，从而得到简洁有效的人体健康状态变化信息。 本文以体域网作为本文研究的应用环境，以脉搏波信号、呼吸信号和体温信号作为本文的研究对象，以数据融合思想作为本文的研究方法，对利用体域网设备采集到的生理信息去感知日常条件人体健康状态展开了研究。 本文包含4部分主要内容: (1)提出了一种基于脉搏波上升支凹凸性的脉搏波自动划分算法:SPD算法。SPD算法通过小波分解和软阈值技术，有效地去除了脉搏波信号中高频毛刺噪声和低频基线漂移;通过一阶后向差分处理得到了脉搏波幅值变化速度的规律;通过包络提取处理得到了时域能量分布情况;通过包络的单脉冲长拖尾特性识别出脉搏波信号中“基准点”。根据“基准点”、“主峰波谷点”与“主峰波峰点”三者构成上升支在生理上表示左心室射血引起动脉容积变化，SPD算法识别出脉搏波信号中全部“主峰波谷点”，并根据“主峰波谷点”实现了准确地脉搏波划分。实验结果表明本文提出的SPD算法的准确率高于现有7种算法。 (2)提出了一种脉搏波的Lognormal函数模型并利用该模型从脉搏波中提取出生理特征参数。本文提出的Lognormal函数模型由4个相继出现的具有长拖尾特征的单峰脉冲函数组成。提出了根据脉搏波一阶导数正负性和二阶导数过零点位置确定模型中参数的方法。根据确定后的参数，提出了一种分段逐次局部曲线拟合计算方法，用4次单个Lognormal函数拟合代替一次拟合4个Lognormal函数之和。通过Lognormal函数模型得到了含有12个元素的参数向量，并将该参数向量作为脉搏波的生理特征。实验结果表明本文提出的Lognormal函数模型在生理意义表征和波形拟合精度两个方面均高于传统Gaussian函数模型。 (3)提出了一种利用脉搏波生理特征分析日常生活中人体健康状态的支持向量机分类方法。该方法采用主分量分析技术降低了脉搏波生理特征的维度;降维后的生理特征作为本文设计的支持向量机的输入，实现了日常生活中人体健康状态的准确判别。同时，提出了一种改进的粒子群优化算法来优化支持向量机中惩罚因子和高斯核函数参数，使得本文设计的支持向量机能够最大程度地将不同健康状态下的脉搏波区分开。经过超过10万个脉搏波检验，本文设计的支持向量机在清醒静止坐姿、高强度运动、喝酒和睡眠4种日常生活场景中，能够实现平均96.03％查准率、100％查全率、2.63％误警率、5.43％漏报率和97.00％准确率的人体健康状态的判别。 (4)提出了一种基于二进制编码方式的决策级数据融合方法。在根据脉搏波的生理特征得出的人体生理健康状态基础上，融合根据体温和呼吸生理特征得出的人体生理健康状态，得到了一种新的决策级融合分析结果。在二进制编码融合过程中，提出了一种根据生理信号的稳定性划分决策级融合分析结果等级的方法。同时，还对决策级融合分析结果进行了加权Markov链建模。实验结果表明，本文提出的二进制编码融合算法不仅比同领域内代表性文献有更多功能性优点，而且本文采用的加权Markov链对分析结果的预测也符合实际曲线变化趋势。 本文的研究目的是通过数据融合技术分析出体域网设备使用者在日常生活场景中的健康状态。通过计算、分析和判断体域网设备使用者生理状态，实现日常生活场景下人体健康检测和预警，达到实时感知人体健康的目的。本文的研究将为体域网环境下健康感知设备设计与研发提供有价值的参考。

目录

声明

摘要

第1章绪论

1．1研究背景与研究意义

1．1．1体域网研究意义

1．1．2体域网与人体生理健康感知

1．1．3体域网中脉搏波研究意义

1．2基于数据融合的研究思路

1．3研究内容与论文组织结构

第2章脉搏波的数据采集

2．1研究意义

2．2研究现状和问题

2．2．1研究领域现状

2．2．2本文研究问题

2．3 SPD算法设计

2．3．1预处理

2．3．2高频噪声消除

2．3．3低频基线消除

2．3．4一阶后向差分

2．3．5幅值包络提取

2．3．6过零点检测

2．3．7主峰波峰点与主峰波谷点识别

2．3．8脉搏波划分

2．3．9 SPD算法对脉搏波信号周期性的影响

2．4 SPD算法评估

2．4．1用于评估的数据源

2．4．2评价指标

2．4．3 SPD算法划分效果

2．4．4 SPD算法评估结果

2．4．5 SPD算法时间复杂度

2．5本章小结

第3章脉搏波数学建模与特征提取

3．1研究意义

3．2脉搏波建模研究现状

3．3基于Lognormal函数模型的脉搏波特征提取

3．3．1 Lognormal函数模型的基本结构设计

3．3．2 Lognormal函数模型的参数计算方法

3．3．3 Lognormal函数模型的拟合计算方法

3．3．4逐次拟合计算中单步拟合算法

3．4实验与算法性能评估

3．4．1用于评估的数据源

3．4．2采用的评价方法

3．4．3 Lognormal函数模型的建模与特征提取

3．4．4 Lognormal函数模型拟合计算精度评估

3．4．5 Lognormal函数模型拟合计算时间评估

3．5本章小结

第4章基于脉搏波的健康状态分类

4．1研究意义

4．2研究现状

4．2．1脉搏波用于健康状态判别研究现状

4．2．2体域网环境下新需求

4．3基于支持向量机的健康状态分类算法

4．3．1输入数据降维方法

4．3．2基于脉搏波的健康状态二分类问题

4．3．3支持向量机的惩罚因子

4．3．4支持向量机的核函数

4．3．5惩罚因子与核函数参数的改进PSO优化算法

4．4支持向量机训练和检验过程

4．5健康状态分类算法性能检验

4．5．1健康状态分类算法评价指标

4．5．2健康状态分类算法的评估数据源

4．5．3实验场景1中健康状态分类算法效果

4．5．4实验场景2中健康状态分类算法效果

4．5．5实验场景3中健康状态分类算法效果

4．6本章小结

第5章多传感器融合的健康态势评估

5．1研究意义

5．2研究现状及研究内容

5．2．1研究领域现状

5．2．2本文研究内容

5．3基于脉搏波、呼吸、体温的健康状态分类

5．3．1基于脉搏波的健康状态分类方法

5．3．2基于呼吸的健康状态分类方法

5．3．3基于体温的健康状态分类方法

5．4三种人体健康状态分类结果的数据融合方法

5．4．1二进制编码融合方法

5．4．2健康状态等级划分方法

5．4．3加权Markov链模型

5．5多传感器融合的健康态势评估效果

5．5．1多种类生理信号采集系统设计与实现

5．5．2二进制编码融合方法功能性评价

5．5．3加权Markov链模型预测效果评价

5．6本章小结

6．1全文总结

6．2工作展望

参考文献

攻读博士期间发表的论文

致谢