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