一、睡眠状态下人体生理信号的模糊预测分析（论文文献综述）
张建吉[1]（2021）在《基于模态融合与深度神经网络的脑电睡眠分期方法研究》文中研究表明脑电信号（Electroencephalogram,EEG）能够检测到丰富的脑部信息。将脑电信号和人工智能技术相结合应用于不同领域是目前科研热点之一,例如基于脑电信号的癫痫诊断、疲劳驾驶、麻醉检测已经取得良好的效果。睡眠是人类最基本的生理过程之一,对人体各项机能具有着重要的恢复作用,一些与睡眠相关的疾病,如失眠、精神分裂症和自闭症,可以通过分析睡眠阶段来进行诊断。传统的睡眠状态分析方法费时费力,基于脑电信号的快速睡眠分期算法成为本文研究的重点。脑电信号是一种非线性非平稳信号,信号本身十分微弱,需要依赖精确且有效的算法从中提取特征信息,用于睡眠分期。传统特征提取方法效率低下,难以满足快速分期的时效性要求,且由于先验知识不足等原因,易导致关键特征遗漏。深度学习网络如卷积网络（Convolutional Neural Networks,CNN）等具有强大数据分析和挖掘能力,本文将深度学习网络引入睡眠分期的研究,用以弥补传统方法的缺陷;不同脑部生理信号之间具有信息互补特性,在研究中加入模态融合的方法,并选取长短时记忆神经网络（Long Short Term Memory,LSTM）作为分类网络,来提高睡眠分期识别的准确率。本文基于脑电信号和深度学习网络,对SLEEPEDF2013数据集数据进行分析,并提出三种不同的睡眠分期模型:第一种利用互补集合经验模态分解（Complementary Empirical Mode Decomposition,CEEMD）对EEG信号进行分解,然后通过精简后的残差网络（Residual network,ResNet）进行特征提取,最后送入分类网络分类;第二种对EEG信号分别进行三角滤波提取倒频特征和并列卷积网络（Parallel CNN,PCNN）提取特征,融合两种特征后进行分类;第三种通过引入眼电信号（Electrooculogram,EOG）,融合EEG和EOG之间的模态信息来提高非快速眼动第一阶段（N1）分类准确率。本文的创新和贡献主要在以下两个方面:（1）提出了一种CEEMD和精简ResNet相结合的睡眠分期框架:原始信号首先经CEEMD分解后得到IMF分量,然后选取不同数目的IMF分量与原始EEG信号组合,送入精简后的ResNet提取表征特征并融合,最后输入带有Focalloss的LSTM网络进行分类。相对于传统特征提取方法和只使用EEG信号本身进行分类,该方法分类结果有了明显提升。（2）提出了两种基于特征融合的睡眠分期方法:第一种是基于三角滤波和并列卷积网络（PCNN）相结合的特征融合方法,将传统手动特征提取方法与基于深度学习网络的特征提取方法相结合,获取到更多具有区分性的特征;第二种方法主要是基于模态融合,EEG、EOG两种生理信号分别经PCNN提取特征后进行特征融合,并送入双向递归循环网络（BiLSTM）进行分类,通过利用不同模态之间的信息互补性,提高算法的性能。这两种算法都是针对N1时期识别准确率过低而设计,实验结果也表明,这两种方法对N1时期具有更好的识别效果。
赵祥发[2]（2021）在《基于生理信号多模态睡眠分期与睡眠疾病诊断》文中指出在社会与经济的高速发展背景下,个人压力不断增大、睡眠疾病的患病率持续增加,睡眠监测与睡眠疾病诊断的居家观测成为睡眠研究中亟需解决的严峻问题。因此,使用提取过程简单的单通道生理信号进行睡眠相关领域的研究就有比较实际的应用价值。本文提出了一种简单有效的基于光电容积脉搏波（Photoplethysmography,PPG）的多分类自动睡眠分期与睡眠疾病诊断方法。首先,对CAP睡眠数据库中108位受试者的光电容积脉搏波信号进行预处理以及多模态生理信号提取操作;接着,从时域、频域以及使用非线性方法对处理后的多模态信号进行特征提取;然后,使用Light Gradient Boosting Machine（Light GBM）分类器进行多类睡眠分期;最后,在睡眠疾病诊断部分,使用受试者整夜睡眠监测的四分类结果作为依据,对数据进行预处理以及从时域以及使用非线性方法特征提取后,使用支持向量机分类器进行睡眠疾病诊断。本研究内容如下:1.在光电容积脉搏波信号采集过程中会出现由身体运动、暗电流、环境光等引起的干扰,本研究使用双正交样条小波方法滤除信号中的基线漂移与工频干扰。2.从光电容积脉搏信号中提取出心率信号,心率变异性信号等多模态信号,并从时域、频域、以及非线性三个角度对上述多模态信号进行特征提取。3.睡眠的三分类、四分类、五分类睡眠分期准确率分别为88%、83%、78%。其对应的kappa系数分别为0.79、0.76、0.70。并且本研究方法对于睡眠疾病受试者仍然适用。4.本研究使用上述受试者四分类睡眠分期结果作为数据,实现对CAP睡眠数据库的受试者是健康受试者还是睡眠疾病受试者的区分。
刘振辉[3]（2021）在《基于联邦学习的人体睡眠监控研究》文中研究说明睡眠是人体重要的一项周期性生理活动,与各种健康问题息息相关,目前能提供细粒度的睡眠监控的设备是多导睡眠仪（PSG）,然而PSG操作复杂,需要专业人员陪同使用,不能满足用户日常使用的需求,因此国内外诸多研究者都研究更简便的睡眠监控,但是大部分研究不支持同时监测多项睡眠指标。另一方面,随着数据隐私安全意识的不断提高,在监控过程中也应注意保证用户的数据安全,保证用户隐私不被侵犯。本文研究基于联邦学习的人体睡眠监控,利用智能手表中的三轴加速度传感器采集人体睡眠时微弱的运动造成的加速度变化,监控人体三项重要的睡眠指标:睡眠时呼吸频率,睡眠体位以及睡眠时长,并通过联邦学习在不聚集所有用户数据的前提下用神经网络模型提高睡眠时呼吸频率以及睡眠体位的监测能力。本文提出的睡眠时呼吸频率监控算法,首先去除数据的直流分量以及高频噪声,利用傅里叶变换得到频域数据,最后设计了一个联邦神经网络模型融合三轴的数据输出用户呼吸频率,经过实验验证,本文提出的睡眠时呼吸频率监测算法平均绝对误差（MAE）在0.7以内。对于睡眠体位监测,首先提取数据中有关睡眠体位的特征,然后设计了一个联邦神经网络模型对用户睡眠体位分类,经过实验验证,本文提出的睡眠体位监测算法在四个基本睡眠体位上准确率均超过90%。由于本文研究过程中使用的手表并不提供记录睡眠时长功能,所以本文为该手表实现一个睡眠时长监测算法,利用三轴加速计采集的数据对用户状态分类并累计睡眠时长,经过实验验证,本文提出的睡眠时长监测算法与市场上具有同样功能的手表相比睡眠时长误差在10分钟以内。
张钦同[4]（2021）在《基于隐马尔可夫模型处理的睡眠分期算法研究》文中研究指明传统的睡眠分期都是通过采集脑电信号进行研究,通过贴片式元件采集人体生理信息进行监测,这种与人体直接接触的方式会对正常的睡眠状态造成影响。近年来各种近体设备的使用丰富了采集人体信号的方式,而压电感知式床垫能够将睡眠监测过程对睡眠的影响降到最低,通过置于床垫中的压电传感器采集心冲击图（Ballistocardiogram,BCG）信号来完成后续分期工作。隐马尔可夫模型（Hidden Markov Model,HMM）是一种可用于序列数据处理的统计分析模型,随着其相关理论的进步,近年来被广泛应用于模式识别、计算机视觉、故障检测等领域。结合这些问题,本文提出了基于隐马尔可夫模型处理的睡眠分期算法,研究过程的内容如下:1.信号源分析:对切合研究的信号源进行调研分析,在脑电图（Electroencephalogram,EEG）信号、心电图（Electrocardiogram,ECG）信号和BCG信号中选择采用无接触式、对信号正常采集干扰最小的无接触式信号源BCG。2.分期算法研究:探讨前人采用的睡眠分期方式,通过他们针对脑电信号和心电信号的不同尝试与做法,为本文算法的提出提供思路。3.本文提出的睡眠分期算法,利用心跳、呼吸信号的不同特点将其从BCG信号中计算分离,之后利用其中心率、呼吸率的变异性与不同睡眠时期的相关性实现睡眠阶段判别。心率时间序列采用时变自回归模型（Time-Variant Autoregressive Model,TVAR）处理构建功率谱密度图,提取时、频特征,作为输入值建立对应分期的隐马尔可夫模型,实现睡眠分期的要求。通过对比专家标注的睡眠阶段,本文算法准确率达到了78.4%,验证了隐马尔可夫模型识别信号源中不同的模式规律的准确性,可用于现实睡眠监测项目中。这种睡眠分期算法结合非接触式的睡眠监测方案非常适合应用于家庭、医院以及各类康养机构,能助力构建科学睡眠的智能监测系统,面向睡眠相关的智能家居产业提供产品改进及升级服务等的数据支撑,有良好的发展前景。
牛昊[5]（2020）在《基于多普勒雷达的家用非接触式生命体征监测系统研究》文中指出随着生活节奏的不断加快,突发性心脏疾病引起的猝死事件屡见不鲜,最佳救治时间往往只有短短的几分钟。应对这类突发性疾病,最好的解决办法就是对心跳呼吸等体征信息进行监测,有针对性的提前预警。目前市面上有很多监测仪器,但大多不适合长时间监测,接触式测量还会影响生活质量。本文设计了一种用于家庭的多普勒雷达生命体征监测系统,实现对人体心跳、呼吸以及睡眠状态的监测。针对雷达信号中噪声和杂波干扰的问题,分析人体轻微体动对呼吸心跳信号的影响,判断在选定的时间窗内是否发生人体体动;通过自相关检测提高信号在低信噪比下的准确性,提高系统的抗噪能力;设计数字滤波器结合短时傅里叶变换对信号进行时频分析提取心跳呼吸频率信息。为了实现人体睡眠状态准确分期,针对非接触方式提取HRV特征参数精度低的问题,提出了基于BPFP的HRV分析算法。在心跳频率估计的基础上,通过窄带滤波器组输出信号的过零点检测提取IBI信息计算HRV特征,结合心率呼吸体动等特征参数,选择基于支持向量机的方法进行睡眠分期。在对支持向量机进行性能优化方面,针对传统粒子群算法精度不足,陷入局部最优等缺点,根据候选解空间适应度情况,动态选择惯性权值,加入自适应变异算子提高多样性,保证粒子群算法的全面寻优能力。实验数据表明,改进算法下的SVM模型相比于GA、PSO、BP算法分类精度更高,可达到91.24%的分期准确率。最后建立基于IWR1642毫米波多普勒雷达的生命体征监测系统,通过雷达前端和信号处理模块完成心跳呼吸信息检测,通过实验对比,验证了系统监测的准确性,能够为个人健康状态评估提供有效的数据参考。
张志民[6]（2020）在《熵测度及压缩感知理论在睡眠质量评估中的研究与应用》文中研究指明睡眠是一个复杂的生理过程,睡眠质量的高低直接影响人体的健康水平。随着对睡眠研究的逐渐深入,人们对睡眠的认知以及睡眠质量的评估方法也都取得了长足的发展,但是在睡眠的生理机制及与睡眠相关疾病的诊断和治疗方面仍存在大量需要改进或者不明确的问题存在。在此背景下,本文以睡眠质量研究为核心,针对睡眠分期、阻塞性睡眠呼吸暂停病人的脑功能异常以及睡眠心电信号研究三个问题开展工作。本文首先综述了熵测度方法及压缩感知的理论基础,并以此为技术手段针对以上三个问题展开研究:针对第一个问题,首先研究了基于熵测度和支持向量机的自动睡眠分期方法,并进一步提出了一种新的睡眠分期熵测度算法—张量近似熵,有效地提升了睡眠分期的准确率;针对第二个问题,提出了基于模糊熵和偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人的脑功能偏侧化现象;针对第三个问题,提出了基于压缩感知理论的睡眠心电信号采样压缩重构框架,为睡眠心电信号的大数据获取与传输提供了有效的解决方案。总结起来,本论文的主要工作包括以下几个方面:（1）详细综述了近年来应用于生理信号非线性分析的几种常用的熵测度方法,包括近似熵、样本熵、模糊熵以及模糊测度熵,介绍了在现有文献中以上几种熵测度方法在生理信号分析中的典型应用。同时给出了压缩感知理论实现的数学模型,并简要阐述了压缩感知目前在脑电信号及心电信号上的初步应用。（2）研究了一种基于熵测度算法及支持向量机的自动睡眠分期方法,分别提取脑电信号及眼电信号的样本熵、模糊熵以及模糊测度熵,并设计了基于一对多的支持向量机多分类方法,分别在独立样本测试与训练、非独立样本测试与训练两种模式下进行睡眠状态分类。实验结果表明,同等条件下该方法在睡眠分期的准确率和一致性上均具有一定的优势。（3）提出了一种新的睡眠分期熵测度算法—张量近似熵,通过将生理信号组织成张量的形式能够更加准确地模拟单一信号源的生理状态。实验结果表明张量近似熵在张量数据上表现出良好的一致性及辨识能力;在睡眠分期任务中,张量近似熵在不同的睡眠状态下具有显着的差异性,并且相对于传统的时间序列熵测度方法具有更高的睡眠分期准确率。（4）针对阻塞性睡眠呼吸暂停的脑功能异常研究,提出了基于模糊熵及偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人存在的大脑功能偏侧化现象;同时考虑到传统的偏侧化指数只能考虑单一脑活动评估指标的问题,本文对偏侧化指数进行改进并提出了一种新的增强偏侧化指数,在临床多导睡眠监测数据上验证了该指数在评估脑功能优势不对称问题上的可靠性。（5）研究了基于压缩感知理论的睡眠心电信号采样压缩及重构方法。系统探究了影响心电信号重构精度和重构效率的多个因素,并提出了心电信号二维化处理的压缩感知应用模型,考虑心电信号的准周期特性,通过将心电信号各个心拍进行切割重组生成二维图像,能够更大程度地表现心电信号的稀疏度。实验结果表明,在此模型下可以以更低的信号采样压缩率实现满足临床需求的心电信号重构精度。
种道坤[7]（2020）在《建筑室内高温环境下人体热习服研究》文中研究说明人体对于热环境具有一定程度的主动适应能力,非一味地被动接受,这种主动适应称为热习服。热习服作为一种提高人体热耐受的主动性生理手段,可在短时间内通过周期性的高温体能训练人工诱导形成。本文开展了大量高温环境舱人体热习服实验,其中包括:3组15天的热习服训练,每组15人;2组8天的训练,每组16人;2组7天的训练,每组10人;10组3天的训练,每组11人,共计207个样本。不同批次设置了不同的控制变量以研究它们对热习服的影响,包括空气温度、相对湿度、服装热阻、运动强度和每天训练时长,而体能训练形式均采用跑步机运动。训练中对样本的生理参数、主观感受、劳动效率和安全绩效进行了测量。其中核心温度、皮肤温度和心率实现了实时测量,侧重于全过程生理安全的监测,克服了原有基于平均值的间断测量方法的弊端。此外,为将实验研究成果应用于实践,开展了大量现场调研,选取了5类高温生产场所中的103名现场工人为对象,完成了连续多天热习服现场评估。首先,通过数据分析得出,热习服能够有效降低高温劳动中的静态核心温度、最大核心温度、出汗阈、最大皮肤温度、静态心率、最大心率,并增大出汗率,同时确定了每项参数的习服最大程度和形成时间。另外,热习服能够显着降低高温劳动过程中的热感觉和疲劳程度评分,从而改善主观感受;有效提高高温疲劳状态下的体力劳动效率并降低人为失误发生率,从而提高安全绩效。其次,建立了基于静态核心温度、静态心率和出汗率的人体热习服综合评价指标,依次划分出了轻度习服、劳效习服、安全习服和感受习服4个等级,将原有对于热习服程度的定性判断转化为了定量描述,弥补了评价指标的空缺。为解决热习服训练参数设置的盲目性,采用机器学习方法建立了人体热习服训练效果预测模型,并对敏感因素进行了重要性排序:运动强度>训练天数>空气温度>每天训练时长>服装热阻>相对湿度。最后,通过多行业现场调研,克服了原有实验研究样本来源单一的问题,并发现了现有高温环境热应力评价标准的热暴露限值过低的问题。因此,将人体热习服的作用与高温工作环境热应力评价方法相结合,使热习服综合评价指标纳入到评价标准中,对现有标准进行了改进,提升了其准确性和实用性。
黎应豪[8]（2020）在《结合特征学习和序列分析的睡眠分期算法研究》文中研究说明睡眠是人的生命活动的重要一环,睡眠质量的高低与人的身心健康有着极为紧密的联系。睡眠分期是客观分析睡眠质量的技术,同时也是诊治各种睡眠障碍相关疾病的重要参考。人工视觉标注睡眠期是睡眠分期的金标准,但需要睡眠医师耗费大量时间处理睡眠数据,亟需可靠的自动睡眠分期方法,这既能减轻睡眠医师的工作负担,又能推动便携式睡眠监测技术的发展。睡眠片段的前后状态是睡眠医师标注时的重要参考,睡眠阶段转换遵循一定规律,本文在此背景下提出结合特征学习和序列分析的自动睡眠分期算法,分别基于传统机器学习和深度学习方法提取相关特征,着重研究如何利用睡眠状态的时间依赖性提升算法性能。本文的研究主要分为以下几个方面:（1）基于传统机器学习方法的睡眠分期:依据各睡眠阶段中生理信号的特点,在脑电（Electroencephalograph,EEG）、眼电（Electrooculogram,EOG）、肌电（Electromyography,EMG）通道中提取了时域特征、时频特征和非线性特征,得到各睡眠片段的特征向量表达。应用梯度提升树（Gradient Boosting Decision Tree,GBDT）算法拟合数据分布,建立预分类模型;考虑到序列分析的重要性,采用条件随机场（Conditional Random Field,CRF）学习状态链的转换规律,对预分类结果进行修正,输出更合理的序列分期结果。（2）基于深度学习方法的睡眠分期:首先,构建了自动学习特征的密集卷积神经网络（Dense Net）,该网络通过密集的短路连接重复利用前层提取的特征,随着卷积层的叠加,能有效融合时频特征,以压缩信号为低维特征向量。其次,利用擅长处理时间序列依赖性的长短期记忆模型（Long Short-Term Memory,LSTM）分析阶段转换关系,为改进网络对长期依赖关系的关注,在编码过程中加入注意力机制。最后,在两个公开数据集（Sleep-EDFx和Physionet2018）上进行实验,实验结果表明,本文提出的方法能实现稳定可靠的自动分期。同时,数据分析结果显示本文获得的编码特征是睡眠片段的有效特征表达,在模型中加入序列分析能明显提高睡眠分期准确率,将特征学习和序列分析相结合是睡眠分析切实可行的方法。
胡迪坤[9]（2020）在《基于微动床垫BCG信号的智能分期方法》文中提出随着我国社会经济和科学技术的发展,现代医学科的理论突破和人民生活质量的提高,人们对健康的追求从以往的看病易,治病准的“被动医疗”逐步迈向了日常监测,早期预防的“主动健康”。主动健康的理念包括主动发现、科学评估、积极调整、促进健康四个部分,而微动睡眠床垫作为一款实时性,非侵入式,低功耗的睡眠监测设备贯彻了主动健康的理念。该设备设计轻便,操作简洁,利用云服务器和手机App实现存储与传输并实时监测睡眠状况,筛查早期的睡眠疾病患者。在如今生活快节奏,医院资源不足这种大趋势下睡眠健康床垫技术未来将发展成为一种辅助医院筛查的家用睡眠监护手段。睡眠监测床垫是基于压电陶瓷传感器的嵌入式智能设备,床垫通过感知压力变化收集人体的混合生理信号。本文的主要工作围绕着混合生理信号展开,混合生理信号中除了有正常人体呼吸信号,BCG心冲击信号,体动信号外还包含着大量的环境噪声,心电伪差等干扰信号。本文对床垫混合信号的频谱进行了分析,利用频谱质心结合信号小波包能量熵的特征建立了信号质量分类的模型。模型使用公开的专家数据库Challenge 2011 Training和专业人员对心电数据的标签进行训练,将信号分为:质量良好信号,质量一般信号,体动或脉冲噪声异常与离床异常信号四类,用于后续有针对性的对混合信号进行处理。之后本文构建了一种生理信号提取算法,完成了对床垫混合信号的分离与处理,获得人体的呼吸信号、BCG心冲击信号、体动等信号。生理信号提取算法依据信号的质量分类情况设计,信号良好的段落设计非递归（FIR）滤波器直接分离目标心率呼吸;一般异常的部分根据信号脉搏高频频段的周期性变化获取包络估计出心率和呼吸率;对于离床异常进行离床的标记。根据信号质量情景设计信号处理方案极大提高了提取的适应性和准确性从而达到对整晚的生理信号精准的实时监控。本文还提出了一种新型睡眠标签分类方法对整晚生理信号进行睡眠分期训练。该新型分类方法利用PSG和CAP两种测量方法对相同睡眠事件进行监测得到两类睡眠分期标签。建立模糊集合并设计出了一种将两类标签映射到公共模糊集合上的方法,解决了 CPC与HRV两类睡眠分析方法不兼容的难题。最后本文利用了心率变异性与心肺耦合的联合特征信号形成图像特征,通过卷积神经网络模型（CNN）进行深度学习训练得到一种普适性强,精准度高的睡眠智能分期方法。
高鹏[10]（2020）在《无线体域网的节能技术研究》文中研究表明近年来,人口老龄化趋势明显,慢性病患者数量急剧上升,医疗资源紧缺,医患关系紧张等社会问题越来越严峻,严重阻碍了社会的发展和降低了人们的生活质量。无线体域网（Wireless Body Area Network,WBAN）是以人体为中心的一种短距离,低功耗,可靠传输的无线传感器网络,通过在人体体表或体内部署生物传感器,就可以持续监测人体的各项生理信息,在远程医疗领域具有广阔的应用前景。然而,在无线体域网中,传感器节点的尺寸和电池容量受到严格限制,且各节点均部署于人体内或体表,频繁更换电池会增加人体的不适感,甚至引发二次创伤。因此,对于节点的能量受限问题,不仅要降低系统能耗来节能,还应该考虑其它的供电方式来保证节点长时间工作。另外,传感器节点都是预先安装在指定位置,在数据传输过程中会受到人体自身的遮蔽效应和人体姿势变化带来的多径效应的影响,增加重传次数和时延,网络的整体性能受到严重影响。而传感器节点采集的信息通常关系到病人的生命安全,所以必须提高无线体域网数据传输的可靠性。基于上述问题,为了实现无线体域网节能的目的,本文主要从提高网络寿命和可靠性入手,进行了如下研究:第一部分,从提高网络能效和数据传输可靠性出发,设计了一个基于能量收集和链路感知的路由协议（Routing Protocol Based on Energy Harvesting and Link Aware,EHLA）。一方面,引入能量收集技术为资源匮乏的传感器节点提供能量,以此来解决传感器电池能量匮乏且不易更换的难题。另一方面,通过建立由传感器剩余能量、链路质量和节点间距离组成的多目标成本优化模型,得到最佳下一跳转发节点和数据到Sink节点的最优路径。仿真分析表明,与现有EVEN和ELR-W协议相比,该协议的网络寿命显着增加,且有效降低了节点的能耗和丢包率,增加了网络的数据传输可靠性。第二部分,为了进一步提高网络的能量有效性,设计了一个基于能量收集和RI-MAC协议协同的能量管理策略（Energy Management Strategy Based on Energy Harvesting and RI-MAC protocol synergy,EHRI-MAC-EM）。一方面,为电池的剩余能量水平增加三个阈值,每个阈值对应不同的工作模式,确保节点在每个能量水平下满足不同的业务需求。另一方面,采用动态低占空比机制,当节点无传输任务或剩余能量不足时进入睡眠状态。在此期间,可以为能量不足的节点补充能量,直到剩余能量达到节点能够正常工作的阈值时切换为活跃状态。在活跃状态下,节点可根据自己的剩余能量计算下一个睡眠持续时间,从而实现对节点能量的动态管理。仿真分析表明,与RI-MAC相比,由于EHRI-MAC-EM的节点可以收集周围环境能量进行充电,网络寿命有效增加。此外,对节点的能量采用动态管理策略,在不同的发包频率下,网络时延大大降低,最终达到了节能的目标。
二、睡眠状态下人体生理信号的模糊预测分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、睡眠状态下人体生理信号的模糊预测分析（论文提纲范文）
（1）基于模态融合与深度神经网络的脑电睡眠分期方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文的组织安排 |
| 第二章 常用脑电信号的处理方法 |
| 2.1 脑电信号的产生 |
| 2.2 脑电信号的采集和预处理 |
| 2.2.1 脑电信号采集 |
| 2.2.2 常见的预处理方法 |
| 2.3 常用特征提取方法 |
| 2.3.1 基于先验知识的传统手动特提取算法 |
| 2.3.2 基于深度学习网络的特征提取算法 |
| 2.4 模态融合 |
| 2.5 本章小结 |
| 第三章 基于CEEMD和精简ResNet的睡眠分期算法 |
| 3.1 引言 |
| 3.2 基本原理 |
| 3.2.1 互补集合经验模态分解 |
| 3.2.2 精简ResNet |
| 3.2.3 分类网络模型 |
| 3.3 基于CEEMD和精简ResNet的单导EEG睡眠分期算法实验验证 |
| 3.3.1 实验数据 |
| 3.3.2 预处理 |
| 3.3.3 睡眠分类评价指标 |
| 3.3.4 实验设置 |
| 3.3.5 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于多角度特征融合的睡眠分期方法 |
| 4.1 引言 |
| 4.2 基本原理 |
| 4.2.1 三角滤波法提取特征 |
| 4.2.2 并行卷积神经网络 |
| 4.2.3 多角度的特征融合方法 |
| 4.2.4 分类网络 |
| 4.3 基于多角度特征融合的睡眠分期方法实验验证 |
| 4.3.1 实验数据集 |
| 4.3.2 数据预处理 |
| 4.3.3 实验流程和基本配置 |
| 4.3.4 实验结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的学术成果 |
| 学位论文评阅及答辩情况表 |
（2）基于生理信号多模态睡眠分期与睡眠疾病诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外发展现状及发展趋势 |
| 1.2.1 睡眠结构认知发展趋势 |
| 1.2.2 睡眠分期国内外研究现状及其发展趋势 |
| 1.2.3 睡眠疾病诊断国内外研究现状及其发展趋势 |
| 1.3 课题研究的主要内容 |
| 第2章 睡眠分期及睡眠疾病诊断研究基础 |
| 2.1 引言 |
| 2.2 生理学基础 |
| 2.3 光电容积脉搏波信号与多模态 |
| 2.4 生理信号特征提取基础 |
| 2.4.1 用于睡眠分期的多模态信号特征提取 |
| 2.4.2 睡眠疾病诊断特征提取 |
| 2.5 机器学习分类器选择与评价指标 |
| 2.5.1 睡眠分期与睡眠疾病诊断模型选择 |
| 2.5.2 睡眠分期与睡眠疾病诊断模型评价指标 |
| 2.6 数据库及其处理过程 |
| 2.7 本章小结 |
| 第3章 多模态自动睡眠分期 |
| 3.1 引言 |
| 3.2 数据预处理 |
| 3.2.1 数据清洗 |
| 3.2.2 去除基线漂移 |
| 3.2.3 去除工频干扰 |
| 3.3 多模态生理信号提取 |
| 3.4 睡眠分期特征提取 |
| 3.4.1 时域特征提取 |
| 3.4.2 频域特征提取 |
| 3.4.3 非线性特征提取 |
| 3.5 基于LightGBM自动睡眠分期 |
| 3.6 多分类睡眠分期结果与分析 |
| 3.7 本章小结 |
| 第4章 自动睡眠疾病诊断 |
| 4.1 引言 |
| 4.2 睡眠疾病诊断数据与数据预处理 |
| 4.2.1 睡眠结构数据 |
| 4.2.2 睡眠结构数据预处理 |
| 4.3 睡眠疾病分析与特征提取 |
| 4.3.1 受试者睡眠分析 |
| 4.3.2 睡眠疾病诊断特征提取 |
| 4.4 基于SVM算法睡眠疾病诊断 |
| 4.5 自动睡眠疾病诊断结果与分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（3）基于联邦学习的人体睡眠监控研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 睡眠时呼吸频率监测研究 |
| 1.2.2 睡眠体位监测研究 |
| 1.2.3 联邦学习研究现状 |
| 1.3 本文主要工作 |
| 1.4 本文组织结构 |
| 2 相关技术理论与设备 |
| 2.1 相关技术理论 |
| 2.1.1 机器学习技术 |
| 2.1.2 神经网络技术 |
| 2.1.3 联邦学习技术 |
| 2.1.4 联邦学习框架 |
| 2.1.5 智能手表中三轴加速计应用 |
| 2.2 数据采集设备 |
| 2.2.1 手表介绍 |
| 2.2.2 数据传输功能实现 |
| 2.3 算法总览 |
| 3 呼吸监测算法 |
| 3.1 数据预处理 |
| 3.1.1 去除直流分量 |
| 3.1.2 去除高频噪声 |
| 3.2 傅里叶变换估计呼吸频率 |
| 3.3 基于联邦学习的三轴融合估计算法 |
| 3.3.1 输入数据处理 |
| 3.3.2 神经网络模型 |
| 3.3.3 联邦学习训练模型 |
| 3.4 实验与结果分析 |
| 3.4.1 实验场景与数据采集 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 4 睡眠体位监测算法 |
| 4.1 特征提取 |
| 4.1.1 三轴夹角计算 |
| 4.1.2 方差与其它特征计算 |
| 4.2 联邦神经网络分类模型 |
| 4.3 实验与结果分析 |
| 4.3.1 实验场景与数据采集 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 5 睡眠时长监测算法 |
| 5.1 活动状态与睡眠状态区分 |
| 5.2 睡眠时长监测算法 |
| 5.3 实验与结果分析 |
| 5.3.1 实验场景与数据采集 |
| 5.3.2 实验结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）基于隐马尔可夫模型处理的睡眠分期算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 睡眠分期相关方法研究 |
| 1.2.2 睡眠监测技术研究 |
| 1.3 论文内容及结构安排 |
| 第2章 睡眠分期中的信号源分析 |
| 2.1 睡眠分期理论与相关指标 |
| 2.2 ECG信号的特点 |
| 2.3 BCG信号的特点 |
| 2.4 心冲击图与心电图的关系 |
| 2.5 本章小结 |
| 第3章 分期算法研究 |
| 3.1 脑电信号源的分期算法 |
| 3.2 非脑电信号源的分期算法 |
| 第4章 多参数睡眠分期算法分析与设计 |
| 4.1 心率、呼吸与睡眠分期的相关性 |
| 4.2 BCG信号的预处理 |
| 4.3 心率变异的研究方法 |
| 4.4 算法流程 |
| 4.5 贝叶斯原理应用 |
| 4.6 时变自回归模型的应用 |
| 4.7 隐马尔可夫模型的训练 |
| 4.7.1 前、后向算法 |
| 4.7.2 维特比算法 |
| 4.7.3 Baum-Welch算法 |
| 第5章 睡眠分期算法的实现 |
| 5.1 心跳信号的分离计算 |
| 5.2 基于心率变异性的睡眠时期分类 |
| 5.2.1 心跳间隔的获取 |
| 5.2.2 心跳间隔序列的预处理 |
| 5.2.3 心率变异性特征提取 |
| 5.3 基于隐马尔可夫模型实现睡眠分期算法 |
| 5.4 结合多种生理信号进行算法完善 |
| 5.4.1 结合呼吸率变异特征的分期方法 |
| 5.4.2 结合体动信号的识别检测 |
| 5.5 睡眠分期结果 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
（5）基于多普勒雷达的家用非接触式生命体征监测系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容和章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第2章 基于多普勒效应的雷达系统 |
| 2.1 多普勒雷达系统 |
| 2.2 生命体征信号特征概述 |
| 2.3 生物雷达概述 |
| 2.3.1 连续波雷达CW |
| 2.3.2 超宽带雷达UWB |
| 2.3.3 调频连续波雷达FMCW |
| 2.4 本章小结 |
| 第3章 基于多普勒雷达的生命体征监测 |
| 3.1 体动信息分析 |
| 3.2 数字滤波信号分离 |
| 3.3 自相关法检测 |
| 3.4 短时傅里叶变换 |
| 3.5 实时心率提取仿真实验 |
| 3.6 本章小结 |
| 第4章 睡眠监测算法研究 |
| 4.1 睡眠分期理论简介 |
| 4.2 睡眠分期特征参数提取 |
| 4.2.1 体动特征提取 |
| 4.2.2 呼吸信号特征提取 |
| 4.2.3 心跳信号特征提取 |
| 4.2.4 基于BPFB的 HRV分析算法 |
| 4.3 基于支持向量机的睡眠分期算法 |
| 4.3.1 支持向量机概述 |
| 4.3.2 粒子群优化算法 |
| 4.3.3 基于动态粒子群算法的参数优化 |
| 4.3.4 基于参数优化的睡眠分期性能分析 |
| 4.4 本章小结 |
| 第5章 系统实现及测试 |
| 5.1 硬件平台结构 |
| 5.2 软件平台结构 |
| 5.3 实验验证 |
| 5.3.1 心肺信号监测 |
| 5.3.2 睡眠分期监测 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
（6）熵测度及压缩感知理论在睡眠质量评估中的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 睡眠问题研究现状及面临的挑战 |
| 1.3 睡眠分期的研究进展 |
| 1.3.1 睡眠分期的定义 |
| 1.3.2 R&K睡眠分期标准 |
| 1.3.3 睡眠分期的分析方法 |
| 1.4 阻塞性睡眠呼吸暂停及脑功能偏侧化研究进展 |
| 1.4.1 阻塞性睡眠呼吸暂停 |
| 1.4.2 脑功能偏侧化及其在睡眠中的初步研究 |
| 1.5 基于心电信号的睡眠问题研究概述 |
| 1.6 本文主要工作及章节安排 |
| 1.6.1 本文的主要工作 |
| 1.6.2 章节安排 |
| 第二章 生理信号分析中的时间序列熵测度和压缩感知理论 |
| 2.1 时间序列熵测度 |
| 2.1.1 近似熵 |
| 2.1.2 样本熵 |
| 2.1.3 模糊熵 |
| 2.1.4 模糊测度熵 |
| 2.1.5 熵测度在生理信号分析中的应用 |
| 2.2 压缩感知 |
| 2.2.1 压缩感知理论的数学模型 |
| 2.2.2 压缩感知在生理信号分析中的应用 |
| 2.3 本章小结 |
| 第三章 基于时间序列熵测度的睡眠分期方法 |
| 3.1 理论及方法 |
| 3.1.1 熵值特征提取 |
| 3.1.2 一对多支持向量机 |
| 3.1.3 性能评估指标 |
| 3.1.4 方法流程 |
| 3.2 实验数据及预处理 |
| 3.3 实验结果 |
| 3.3.1 熵值特征 |
| 3.3.2 独立样本t检验 |
| 3.3.3 非独立样本训练与测试 |
| 3.3.4 独立样本训练与测试 |
| 3.4 讨论 |
| 3.4.1 与现有睡眠分期方法的对比 |
| 3.4.2 睡眠分期结果分析 |
| 3.5 本章小结 |
| 第四章 一种新的睡眠分期熵测度算法—张量近似熵 |
| 4.1 张量近似熵的提出 |
| 4.2 张量近似熵的定义 |
| 4.3 实验设计 |
| 4.3.1 由传统的时间序列构造普通张量 |
| 4.3.2 由多导睡眠数据构造睡眠张量 |
| 4.3.3 张量近似熵的一致性分析 |
| 4.3.4 张量近似熵的辨识能力分析 |
| 4.3.5 张量近似熵的统计检验 |
| 4.4 实验数据 |
| 4.5 实验结果 |
| 4.5.1 张量近似熵在普通张量上的一致性及辨识能力分析 |
| 4.5.2 张量近似熵在睡眠张量上的一致性及辨识能力分析 |
| 4.5.3 统计检验结果 |
| 4.5.4 张量近似熵在睡眠分期中的应用 |
| 4.6 讨论 |
| 4.6.1 张量近似熵在普通张量上的性能分析 |
| 4.6.2 张量近似熵在睡眠分期上的性能对比 |
| 4.7 本章小结 |
| 附录—张量近似熵的MATLAB代码 |
| 第五章 阻塞性睡眠呼吸暂停的脑功能偏侧化研究 |
| 5.1 理论与方法 |
| 5.1.1 模糊熵与偏侧化指数 |
| 5.1.2 增强偏侧化指数 |
| 5.2 实验数据 |
| 5.2.1 UCDDB公开睡眠数据 |
| 5.2.2 临床睡眠数据 |
| 5.3 实验结果 |
| 5.3.1 模糊熵特征提取 |
| 5.3.2 偏侧化指数LI分布 |
| 5.3.3 增强偏侧化指数ELI分布 |
| 5.3.4 统计检验 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 第六章 基于压缩感知理论的睡眠心电信号采样压缩及重构 |
| 6.1 一维睡眠心电信号的压缩感知应用 |
| 6.1.1 模型框架 |
| 6.1.2 评价指标 |
| 6.1.3 数据及仿真流程 |
| 6.1.4 实验结果 |
| 6.2 二维心电信号的压缩感知应用 |
| 6.2.1 模型框架 |
| 6.2.2 实验结果 |
| 6.3 讨论 |
| 6.4 本章小结 |
| 第七章 总结和展望 |
| 7.1 研究总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及参与的科研项目 |
| 发表的学术论文 |
| 申请专利 |
| 主持的科研项目 |
| 参与的科研项目 |
| 学位论文评阅及答辩情况表 |
（7）建筑室内高温环境下人体热习服研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 热习服的分子层面研究 |
| 1.3.2 热习服的生理作用 |
| 1.3.3 热习服对运动表现的影响 |
| 1.3.4 热习服对主观感受的改善 |
| 1.3.5 热习服训练效果影响因素的研究 |
| 1.4 研究方法与内容 |
| 第2章 人体热习服理论基础 |
| 2.1 高温环境对人体的危害 |
| 2.1.1 中暑 |
| 2.1.2 脱水 |
| 2.1.3 热疲劳 |
| 2.2 热适应与热习服 |
| 2.2.1 生理适应 |
| 2.2.2 行为适应 |
| 2.2.3 心理适应 |
| 2.2.4 热习服与热应激 |
| 2.3 典型热生理参数 |
| 2.3.1 核心温度 |
| 2.3.2 皮肤温度 |
| 2.3.3 心率 |
| 2.3.4 出汗率 |
| 2.4 热习服训练 |
| 2.4.1 热习服训练分类 |
| 2.4.2 热习服训练场所 |
| 2.4.3 热习服训练参数设置 |
| 2.5 本章小结 |
| 第3章 人工环境舱人体热习服实验 |
| 3.1 人工环境舱 |
| 3.2 实验方案 |
| 3.2.1 受试者情况 |
| 3.2.2 实验工况 |
| 3.3 实验测量参数和仪器 |
| 3.3.1 生理参数 |
| 3.3.2 主观感受 |
| 3.3.3 劳动效率 |
| 3.3.4 安全绩效 |
| 3.4 实验流程 |
| 3.5 本章小结 |
| 第4章 人体热习服训练效果与分析 |
| 4.1 生理参数的习服效果 |
| 4.1.1 核心温度 |
| 4.1.2 皮肤温度 |
| 4.1.3 心率 |
| 4.1.4 出汗率 |
| 4.1.5 小结 |
| 4.2 主观感受的习服效果 |
| 4.2.1 高温劳动的主观感受 |
| 4.2.2 室内较热环境下的热感受 |
| 4.3 热习服对劳动效率的影响 |
| 4.4 热习服对安全绩效的影响 |
| 4.5 本章小结 |
| 第5章 人体热习服综合评价指标 |
| 5.1 单项生理指标的选取 |
| 5.2 最大习服程度的确定 |
| 5.2.1 静态核心温度 |
| 5.2.2 静态心率 |
| 5.2.3 出汗率 |
| 5.3 单项生理指标权重的确定 |
| 5.3.1 变量标准化 |
| 5.3.2 主成分分析 |
| 5.3.3 权重计算与指标建立 |
| 5.4 热习服指标的效度验证 |
| 5.5 热习服指标的信度验证 |
| 5.6 热习服程度分级标准 |
| 5.6.1 改善主观感受的热习服程度 |
| 5.6.2 提高劳动效率的热习服程度 |
| 5.6.3 提高安全绩效的热习服程度 |
| 5.7 本章小结 |
| 第6章 人体热习服训练效果预测 |
| 6.1 预测模型的选取 |
| 6.2 多元线性回归 |
| 6.2.1 Ridge回归与传统多元线性回归的区别 |
| 6.2.2 Ridge回归模型原理 |
| 6.3 Ridge回归模型的建立 |
| 6.3.1 数据准备 |
| 6.3.2 最佳正则化系数的确定 |
| 6.3.3 模型结果 |
| 6.4 随机森林模型 |
| 6.4.1 随机森林模型原理 |
| 6.4.2 模型建立与预测结果 |
| 6.4.3 预测变量权重的确定 |
| 6.5 本章小结 |
| 第7章 高温工作环境下热习服现场评估 |
| 7.1 调研地点选取 |
| 7.2 现场测试环境 |
| 7.2.1 建筑工地 |
| 7.2.2 机加工厂 |
| 7.2.3 轧钢厂 |
| 7.2.4 高温喷漆车间 |
| 7.2.5 纺织印染厂 |
| 7.3 测量参数与方法 |
| 7.3.1 环境热应力 |
| 7.3.2 服装热阻 |
| 7.3.3 人体自身产热 |
| 7.4 调研数据分析 |
| 7.5 现有标准的改进 |
| 7.6 本章小结 |
| 第8章 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文献 |
| 附录 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）结合特征学习和序列分析的睡眠分期算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 睡眠分期算法的研究现状 |
| 1.3 本文的主要内容 |
| 1.4 论文章节安排 |
| 第二章 睡眠分期与睡眠脑电概述 |
| 2.1 睡眠脑电基本类型 |
| 2.2 睡眠阶段的划分标准 |
| 2.3 睡眠阶段的表现和判读方法 |
| 2.4 本文使用的公开数据集 |
| 2.5 实验评价指标 |
| 2.6 本章小结 |
| 第三章 结合特征学习和序列分析的机器学习模型 |
| 3.1 基于特征工程的睡眠特征向量 |
| 3.1.1 睡眠信号特征提取方法 |
| 3.1.2 特征设计方案 |
| 3.2 梯度提升决策树分类模型 |
| 3.3 条件随机场序列分析模型 |
| 3.3.1 条件随机场参数学习 |
| 3.3.2 条件随机场的解码 |
| 3.4 GBDT-CRF集成模型睡眠分期实验 |
| 3.4.1 算法实现与参数设置 |
| 3.4.2 实验结果分析 |
| 3.4.3 睡眠分期模型对比 |
| 3.4.4 特征重要度分析 |
| 3.5 本章小结 |
| 第四章 结合特征学习和序列分析的深度学习模型 |
| 4.1 卷积神经网络概述 |
| 4.2 特征编码网络设计 |
| 4.2.1 密集连接模块 |
| 4.2.2 转换层模块 |
| 4.2.3 输出模块 |
| 4.3 序列分析模型概述 |
| 4.3.1 循环神经网络 |
| 4.3.2 长短期记忆模型 |
| 4.3.3 双向编码LSTM网络 |
| 4.3.4 注意力机制 |
| 4.4 基于LSTM的睡眠编码模型设计 |
| 4.5 深度神经网络睡眠分期实验 |
| 4.5.1 网络参数设置 |
| 4.5.2 信号预处理与类不平衡处理方法 |
| 4.5.3 睡眠分期实验结果与分析 |
| 4.5.4 过渡期分析与改进 |
| 4.5.5 模型结构对比实验 |
| 4.5.6 注意力机制可视化 |
| 4.6 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（9）基于微动床垫BCG信号的智能分期方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 BCG信号处理计算心率 |
| 1.2.2 HRV心率变异性睡眠分期检测 |
| 1.2.3 CPC心肺耦合睡眠分期检测 |
| 1.3 论文主要工作和创新点 |
| 1.4 论文章节安排 |
| 第二章 采集设备以及BCG信号的预处理 |
| 2.1 采集设备 |
| 2.1.1 传感器部分 |
| 2.1.2 系统部分 |
| 2.2 原始信号预处理 |
| 2.2.1 原始信号分析 |
| 2.2.2 信号频谱分析 |
| 2.3 滤波器设计 |
| 2.4 本章小结 |
| 第三章 信号质量分析 |
| 3.1 信号质量的特征提取 |
| 3.1.1 不同频段信号的小波分解 |
| 3.1.2 小波分解特征提取 |
| 3.2 信号质量特征训练 |
| 3.2.1 训练模型设计 |
| 3.2.2 随机森林模型 |
| 3.2.3 随机森林模型的优化 |
| 3.3 信号质量模型的性能 |
| 3.4 本章小结 |
| 第四章 生理参数提取 |
| 4.1 良好信号质量数据处理 |
| 4.1.1 滤波器参数设计 |
| 4.1.2 信号中心频率的确定 |
| 4.2 异常信号质量数据处理 |
| 4.3 提取生理参数性能 |
| 4.4 本章小结 |
| 第五章 HRV、CPC提取与定义通用标签 |
| 5.1 PSG与CAP建立通用标签 |
| 5.1.1 标签之间转化设计 |
| 5.1.2 匹配检验判断模糊集显着性 |
| 5.2 HRV,CPC计算与特征提取 |
| 5.2.1 HRV心率变异性特征计算 |
| 5.2.2 CPC心肺耦合功率谱计算和特征提取 |
| 5.3 本章小结 |
| 第六章 联合判别睡眠分期 |
| 6.1 信号转化为图像特征 |
| 6.2 VGG16卷积神经网络的训练 |
| 6.3 本章小结 |
| 第七章总结与展望 |
| 7.1 工作总结 |
| 7.2 工作的展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（10）无线体域网的节能技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织结构 |
| 2 无线体域网基本理论 |
| 2.1 无线体域网概述 |
| 2.1.1 无线体域网的体系结构 |
| 2.1.2 无线体域网的特征及应用 |
| 2.2 IEEE802.15.6协议标准 |
| 2.2.1 无线体域网的物理层规范 |
| 2.2.2 信道接入模式 |
| 2.2.3 信道接入方式 |
| 2.2.4 无线体域网的拓扑结构 |
| 2.3 能量收集技术 |
| 2.4 本章小结 |
| 3 基于能量收集和链路感知的无线体域网路由协议 |
| 3.1 引言 |
| 3.2 .系统模型 |
| 3.2.1 网络模型和优先级分配策略 |
| 3.2.2 能量收集和剩余能量计算 |
| 3.2.3 路径损耗及链路质量预测 |
| 3.2.4 成本优化模型 |
| 3.3 EHLA路由协议 |
| 3.4 仿真分析 |
| 3.4.1 参数设置 |
| 3.4.2 仿真结果分析 |
| 3.5 本章小结 |
| 4 基于能量收集和RI-MAC协议协同的能量管理策略 |
| 4.1 引言 |
| 4.2 RI-MAC协议 |
| 4.2.1 数据收发机制 |
| 4.2.2 退避机制 |
| 4.2.3 唤醒/睡眠机制 |
| 4.3 电池能量管理策略 |
| 4.3.1 划分电池能量阈值 |
| 4.3.2 节点模式切换与睡眠时间计算 |
| 4.4 仿真分析 |
| 4.4.1 参数设置 |
| 4.4.2 仿真结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
四、睡眠状态下人体生理信号的模糊预测分析（论文参考文献）
- [1]基于模态融合与深度神经网络的脑电睡眠分期方法研究[D]. 张建吉. 山东大学, 2021(12)
- [2]基于生理信号多模态睡眠分期与睡眠疾病诊断[D]. 赵祥发. 黑龙江大学, 2021(09)
- [3]基于联邦学习的人体睡眠监控研究[D]. 刘振辉. 大连理工大学, 2021(01)
- [4]基于隐马尔可夫模型处理的睡眠分期算法研究[D]. 张钦同. 西华师范大学, 2021(12)
- [5]基于多普勒雷达的家用非接触式生命体征监测系统研究[D]. 牛昊. 河北科技大学, 2020(06)
- [6]熵测度及压缩感知理论在睡眠质量评估中的研究与应用[D]. 张志民. 山东大学, 2020(01)
- [7]建筑室内高温环境下人体热习服研究[D]. 种道坤. 天津大学, 2020(01)
- [8]结合特征学习和序列分析的睡眠分期算法研究[D]. 黎应豪. 华南理工大学, 2020(02)
- [9]基于微动床垫BCG信号的智能分期方法[D]. 胡迪坤. 北京邮电大学, 2020(05)
- [10]无线体域网的节能技术研究[D]. 高鹏. 西安建筑科技大学, 2020(01)