导读:本文包含了生理信息融合论文开题报告文献综述及选题提纲参考文献，主要关键词:脑电,肌电,心电,驾驶疲劳
生理信息融合论文文献综述
邹策[1]（2018）在《基于多生理信息融合的驾驶疲劳检测方法研究》一文中研究指出伴随着全球范围内汽车行业的发展迅速,汽车逐渐成为人们日常生活中的必需品。家用汽车的普及给人们的工作和生活带来了极大的便捷与享受,但也激增了道路交通事故发生率。据不完全统计,世界范围内每年因驾驶疲劳导致的交通事故占交通事故总量的53%以上,并呈逐年上升趋势。可见,对驾驶员行驶过程中的疲劳状态进行有效的监测对于减少或避免交通事故的发生具有重要的现实意义。已有研究表明,基于生理电信号分析是实现人体疲劳状态监测最客观有效的途径。为此,本文通过开展室内模拟驾驶实验同步获取驾驶员行驶过程中脑电、肌电及心电信息,基于动态特征提取方法分别获取叁类生理信号的多层次时域及频域特征,通过多源特征融合及模式识别实现疲劳状态的有效辨识,进而实现从精神和行为层面对驾驶员疲劳状态的有效监测和评估。研究为基于生理电信号分析的驾驶疲劳检测提供了新的研究思路和分析途径。本文主要工作包括:(1)搭建模拟驾驶平台并开展模拟驾驶实验,同步获取模拟驾驶过程中不同疲劳状态下的驾驶员脑电、肌电和心电叁种生理信号,同时对驾驶员进行驾驶疲劳主观问卷调查分析。(2)对实验获取的脑电信号进行预处理,分析疲劳产生过程中不同频段脑电信号的变化,确定脑电信号疲劳指标的计算方式,统计分析随驾驶时间增加脑电疲劳指标的变化趋势,并证明选取的脑电疲劳指标对疲劳反应的正确性。(3)同时对实验过程中的肌电信号和心电信号进行预处理,分析肌电信号的肌间一致性和平均瞬时频率以及心电信号的心率和心率变异性等七种时频指标,研究随着驾驶疲劳产生肌电及心电信号各项特征指标变化趋势。(4)进行多生理信号特征融合及降维处理,采用支持向量机分类器进行驾驶疲劳检测;同时为提高识别的准确性,提出基于深度信念网络的驾驶疲劳检测方法,采用深度信念网络模型对多生理信号进行特征融合以及疲劳状态检测,并对两种分类模型的疲劳检测效果做出对比分析。(本文来源于《燕山大学》期刊2018-05-01）
贺方[2]（2016）在《基于混沌特征提取的多生理信息融合的情绪识别方法研究》一文中研究指出由于生理信息可以客观的反映出真实的情感状态,使得基于生理信号情绪识别方法的研究具有重要的现实意义。本文基于前人所做的工作,重点研究混沌理论用于多生理信息特征提取和C5.0决策树应用于情绪识别方面的问题。论文首先对德国Augsburg大学提供的生理数据(心电、肌电、皮电和呼吸)分别提取了6种混沌特征(最大Lyapunov指数、关联维、盒子维、信息熵、近似熵和复杂度),之后采用C5.0算法对这些混沌特征参量下的4种情绪进行分类和识别。C5.0算法是最新的决策树分类器,解决了大样本情况下的机器学习问题,对于样本分类结果更加精确。分类结果对高兴、愤怒、悲伤和愉快的识别率均达到了100%,能够完全正确分类这4种情绪。本文识别效果理想的原因有两点,一是将混沌理论用于多生理信号的特征参量提取,二是采用最新C5.0决策树分类混沌特征属性。利用实验室现有设备采集一名被试者在4种情绪下的3种生理信号(心电、皮电及呼吸),基于文中相关算法提取混沌特征并进行情绪识别,结果显示这4种情绪的识别率都有所降低。识别率下降的原因有叁点:一是由于实验条件限制没有采集对识别Joy和Sadness情绪效果最好的肌电信号,二是诱发情绪的视频素材较单一造成低唤醒度Pleasure情绪识别率的降低,叁是采集情绪的样本数量偏少。(本文来源于《长春理工大学》期刊2016-03-01）
李发权,杨立才,颜红博[3]（2014）在《基于PCA-SVM多生理信息融合的情绪识别方法》一文中研究指出为了有效解决情绪识别过程中多种生理信息融合所导致的运算量过大的问题,提出了一种主成分分析(principal component analysis,PCA)与支持向量机(support vector machine,SVM)相结合的情绪识别方法。利用主成分分析法,求出各特征对情绪识别效果的影响权重,通过阈值法选择权重较大的特征组成新的特征子集,从而减少SVM的输入特征维数,降低算法的运算量。试验结果表明,该方法可以有效提高算法的执行效率。(本文来源于《山东大学学报(工学版)》期刊2014年06期）
颜红博[4]（2014）在《基于多生理信息融合的情绪识别方法》一文中研究指出随着人们生活节奏的加快和生活压力的增加,心理健康状态受到了大家越来越多的关注。尽早地诊断和治疗心理疾病是保持心理健康的必要条件,而实现对人体情绪状态的准确把握,是诊断和治疗心理疾病的基础。因此情绪识别是进行心理健康研究的首要问题,同时也是研究的重点和难点。人们的情绪状态有多种表现方式,如语言、表情、动作以及各种生理信号等。其中,生理信号作为人体生理和心理活动的客观表达,不会受到文化背景、生活习惯等因素的干扰,也无法被刻意地掩饰,因而成为了一种相对准确的情绪状态判据。同时,生命系统具有多变量特征,情绪变化与各种生理参数之间存在典型的一因多果和一果多因关系,依靠单一的生理参数及其特征难以准确反映受试主体的情绪变化。因此,基于多生理信息的特征融合是实现情绪准确识别的有效方法。本论文对基于多生理信息融合的情绪识别方法进行深入研究,以心电、脉搏和呼吸叁种生理信号作为研究对象,围绕生理特征的选择和分类器的设计展开一系列工作。并且,本文在详细探讨了心电、脉搏和呼吸叁种信号的产生机制、采集方法、信号预处理与特征提取的基础上,提出一种基于主成分分析法与支持向量机相结合的情绪识别方法。论文的主要工作包括：1)搭建情绪激发实验环境,进行合理的情绪激发实验,同时记录被试者的心电、脉搏、呼吸信号和视频信息,再根据被试填写的问卷调查表和视频信息确定有效数据段,为情绪的判别提供有效地实验数据支持。2)采集对应情绪中的心电、脉搏和呼吸叁种信号,对采集到的叁种生理信号运用巴特沃斯滤波器进行预处理,应用小波变换方法对信号进行多级分层,由底层到高层识别出极值点和奇异点,并由此识别出心电、脉搏和呼吸叁种信号的特征点,进而提取出信号中所包含的各种生理特征。3)提出了主成分分析法与支持向量机相结合的分类方法。应用主成分分析法对提取的原生理特征进行分析,得出六种情绪下原生理特征在主成分中的权重排序,结合支持向量机算法,以情绪识别率为评价标准,得出最佳特征子集和最佳识别率。4)通过实验数据对算法的有效性进行验证,将传统未使用特征选择的情绪识别算法、离散二进制粒子群算法与本文所提出的基于主成分分析与支持向量机相结合的分类算法进行对比,证明了该算法能够有效地应用于多生理信息融合的情绪识别,并且具有识别率高、运行时间短的特点。同时,对比分析了男女在相同情感体验中同种生理特征—心率的变化情况,为以后的情绪识别中被试的性别差异性研究提供科学依据,并对以后的情感分析提供理论支持。(本文来源于《山东大学》期刊2014-05-14）
任玉艳[5]（2013）在《生理信息融合算法及其在仿生机器马中的应用研究》一文中研究指出骑马运动早有运动之王的美誉，然而受到场地、饲养成本等因素限制，难以推广。因此，研究模拟骑马运动装置的意义重大。骑马本身既可达到运动健身效果，也可应用到康复治疗，临床试验也确认了它的有效性。本文主要借助一种新型正交6-PSS机器马并联平台模拟骑马运动，在运动中通过采集骑乘者的生理指标信息，并将生理指标进行信息融合以分析、研究和判断骑乘者在运动中的生理反映，并以此作为反馈量控制机器马的运动轨迹、姿态及速度。经过仿真和实验研究，在安全骑乘和增进健康上均达到了较好的实际效果。具体的研究工作主要包括以下几个方面：(1)对人在运动中的生理指标变化与运动效果的关系进行了分析，利用人体运动时心率、血压、血氧饱和度等生理指标的变化来评判运动效果。采用不同的算法来实现各种同类或异类生理指标数据的时间配准，提高了时间配准后数据的准确性和稳定性。(2)分析了仿生机器马健身器在实验的初始阶段和实际应用的后续阶段对信息融合性能的不同需求，将改进的BP神经网络和支持向量机两种融合算法相结合，应用于仿生机器马健身器的骑姿寻优控制中，以满足仿生机器马在实验的初始阶段对自学习能力的要求，以及实际应用的后续阶段对信息融合快速准确性的要求.(3)在BFGS算法中调用改进的牛顿下山法模块，舍弃常规BFGS方法中所执行的一维搜索，使得学习算法保持下降方向，并有总体收敛的性质。利用该改进的BFGS算法替代传统的梯度下降法学习BP网络权值，提高了信息融合的速度和准确性。(4)针对BP网络的收敛速度和模型精度易受到初始参数(包括权值和阈值的)影响，采用改进的蚁群算法寻找最优的BP网络初始参数。在该改进的蚁群算法中，引入了可行搜索空间，通过在迭代后期持续缩小可行搜索空间，并保存上次迭代的最优值，帮助其跳出局部极值点。其既继承了传统蚁群算法模型简单、参数少、易于实现的优点，又克服了传统蚁群算法局部搜索能力差、收敛速度低、易陷入局部极值的缺点，具有更好的全局寻优能力。(5)利用一种基于概率密度函数的势阱帮助粒子群中的粒子收敛，提高种群的多样性和粒子搜索的遍历性，提高了算法的收敛速度和精度。采用该优化算法选取支持向量机的最优参数，确保了支持向量机具有较好的分类精度和泛化能力。(6)分析了基于运动平台的动力学模型设计控制器的可行性，将模糊自适应PID应用于支链位置闭环控制中，实现对机器马运动平台的动态实时控制。并利用高性能运动轨迹采集装置采集马的运动轨迹，使六自由度并联机器马运动平台可以较为真实地再现马的多种运动姿态，同时利用骑马者的生理信息融合结果控制机器马的运动速度及姿态，以达到最佳运动效果。(本文来源于《燕山大学》期刊2013-09-01）
陈冠兰[6]（2013）在《基于多生理信息融合的心血管疾病检测技术研究》一文中研究指出随着人们生活方式的变化，心血管疾病的发生率正在逐年增加，且呈现年轻化趋势。据有关报道显示，心血管疾病已经跃居人类生命健康危险因素排行榜之首。在临床上，人体生理信号已广泛应用于心血管疾病的诊断，是临床确诊心血管疾病的最有效手段之一。人体的生理信号纷繁复杂，主要包括电生理信号和非电生理信号。在心血管系统中有两大重要的非电生理信号，即心音和脉搏，这两种信号之间相互联系，并蕴藏着心血管系统内部的大量生理和病理信息，为心血管疾病的检测和诊断提供了可靠的基础，是生物医学工程和医学临床领域研究的重点课题。本文通过综合和改进现有分析算法，逐个分析心音和脉搏信号各自具有的特点，提取心音和脉搏信号各自对应的特征值，研究了心音和脉搏特征值中与心血管疾病有关的因素，通过SPSS做因子分析找到这些特征值中相关性较大的参数，获得9维特征向量[d_1, d_2, d_3, d_4, a_4, E_(S1), E_(S2_, T_i, T_j]，其中d_i是经过小波分解之后，信号第i层的高频分量，a_4为近似信号，E_(S1_, E_(S2)是第一心音和第二心音对应的能量，T_i是第一心音到第二心音的时间间隔，T_j是第二心音到第一心音的时间间隔。结合信息融合技术，将所获得的特征参数作为BP神经网络的输入层节点参数，对信号进行了分类识别，有效的区分了四种异常心音信号，即二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣关闭不全及主动脉瓣狭窄的特征信号，建立了多参数生理信息融合模型，初步实现了心血管疾病的无创早期检测。该方法在家庭保健中的心血管疾病的自检和预警等方面具有潜在的应用前景。论文的主要工作如下：（1）分析心音、脉搏的特点，利用现有的采集系统设计完成了信号采集硬件平台，然后在Matlab GUI可视化开发环境下设计了心血管疾病的早期诊断软件系统。所设计的系统能够有效地实现心音和脉搏信号的采集、分析和评价，这为心血管疾病的早发现、早诊断提供了一个新途径。（2）通过比较EMD滤波、相位滤波以及小波滤波的滤波效果，选择小波滤波方式对心音和脉搏进行了去噪处理，然后利用Shannon熵提取了心音信号的包络，实现了对心音信号的定位和分段，利用HHT对心音信号做时频分析，并对PWV的计算做了改进。（3）通过小波分析、香农熵和时间门限等信号处理方法提取心音和脉搏信号的特征参数，包括小波分解提取的每一层中的小波熵，经过香农熵包络提取的信号能量，以及通过时间阈值得到的时间间隔等，通过因子分析保留其中最有价值的特征，剔除无关项；（4）根据心音和脉搏波信号特征参数及心血管的四种情况，对四类心音的识别构建了由9-10-4结构的BP神经网络，实现了主动脉关闭不全、二尖瓣狭窄、主动脉瓣狭窄、二尖瓣关闭不全等心血管疾病的识别，识别率分别为73.33%、86.67%、80.00%和93.33%。通过交叉实验和利用变学习率等的方法，重新构建新的BP神经网络模型11-8-2，提高了BP神经网络的识别率，实现了对心血管疾病患者88.33%的识别率，对健康人群的识别准确率达到91.67%。(本文来源于《重庆理工大学》期刊2013-04-10）
张翼,李向新,王忠海,王玥,周鹏[7]（2011）在《基于多种生理信息融合的警觉度分析》一文中研究指出目的伴随着生活压力的逐步增大和中国开始迈入老龄化社会,失眠成为越来越热门的话题。据不完全统计,至少超过1/3的成年人曾经有失眠的经历,而大约9%到15%的人患有慢性失眠;妇女患失眠的可能性是男性的1.3倍;65岁以上的人患失眠的可能性是年青人的1.5倍。因此,对于失眠的治疗已经刻不容缓。目前国内外已发表的相关文献结果表明:低频磁场在临床治疗失眠上有很好的疗效,且无副作用的报道,(本文来源于《天津市生物医学工程学会第叁十一届学术年会论文集》期刊2011-04-01）
刘秀玲,杨国杰,王洪瑞,杜欢平,郭磊[8]（2010）在《动态生理信息融合在人体健康评价系统的应用》一文中研究指出针对人体健康状况实时评价问题,将生理医学理论与信息融合技术相结合,设计了一种基于动态生理信息融合的健康评价系统。利用扩展的卡尔曼滤波辅助方法进行预处理及特征提取,将模糊逻辑引进神经网络,推进了模型一致性推理过程,选取基于数值优化改进的BP算法。仿真结果及健康增进型运动平台的实际应用表明该系统能够快速、准确完成人体健康状况的评价。(本文来源于《计算机工程与应用》期刊2010年16期）
吴学奎,任立红,丁永生,吴怡之[9]（2009）在《面向智能服装的多生理信息融合的情绪判别》一文中研究指出人体是一个复杂的多功能系统,采集人体的多种生理信号将其作为信息源,并引入呼吸性窦性心律不齐的生理现象来建立基于多生理信息融合的情绪判别模型,通过可穿戴智能服装系统对心电、呼吸、体温叁种生理信号进行特征提取和特征分类,采用支持向量机的方法进行多生理信息融合,在此基础上建立面向智能服装的多生理信息融合的情绪判别模型,对情绪的识别率达到72%,具有良好的医疗诊断价值和广泛的应用前景。(本文来源于《计算机工程与应用》期刊2009年33期）
杨国杰[10]（2009）在《基于生理信息融合的运动评价系统结构及算法》一文中研究指出近年来,随着信息多元化的发展,以及计算机技术、微电子技术和多传感器网络的日益成熟,信息融合作为一种有效的信息综合处理方法,其理论及应用研究都得到了快速的发展。信息融合已经广泛的应用于目标识别、故障诊断、态势评估、战场监视、自动飞行器导航、机器人、遥感、医疗诊断、图像处理、模式识别和复杂工业过程控制等领域。目前,信息融合技术在生理信息领域的应用研究还处于初级阶段,研究内容大多集中在定性的医疗诊断方面,对于动态生理信息融合的研究还比较少。随着信息技术的发展,动态生理信息融合必然会得到越来越广泛的关注,尤其是在运动保健、体育和军事训练以及宇航员的太空模拟训练等多种领域。通过对多项人体生理信息的融合分析,可以获得对人体健康状况的评估,还可以通过对特定状态下的人体生理信息的融合处理和监测,得到对运动过程或训练效果的评价。但是由于生理信息信号弱、噪声强、非平稳的一般特点,使得生理信息的融合具有一定的特殊性。本文从实际应用的角度出发,结合信息融合理论,提出了基于生理信息融合的运动评价系统的模型,并从模型的结构和功能上进行了分析说明。在此基础上,分析论证各种融合算法的优缺点,最终确定了基于分布式卡尔曼滤波和模糊BP神经网、络的生理信息融合的核心算法。通过河北大学附属医院提供的医疗运动平台,进行了运动状态下人体的血压、脉搏、心率及血氧饱和度等生理指标数据的采集,利用GUI仿真工具进行了实例仿真。仿真结果验证了算法的有效性和可行性。(本文来源于《河北大学》期刊2009-05-01）
生理信息融合论文开题报告
（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：
由于生理信息可以客观的反映出真实的情感状态,使得基于生理信号情绪识别方法的研究具有重要的现实意义。本文基于前人所做的工作,重点研究混沌理论用于多生理信息特征提取和C5.0决策树应用于情绪识别方面的问题。论文首先对德国Augsburg大学提供的生理数据(心电、肌电、皮电和呼吸)分别提取了6种混沌特征(最大Lyapunov指数、关联维、盒子维、信息熵、近似熵和复杂度),之后采用C5.0算法对这些混沌特征参量下的4种情绪进行分类和识别。C5.0算法是最新的决策树分类器,解决了大样本情况下的机器学习问题,对于样本分类结果更加精确。分类结果对高兴、愤怒、悲伤和愉快的识别率均达到了100%,能够完全正确分类这4种情绪。本文识别效果理想的原因有两点,一是将混沌理论用于多生理信号的特征参量提取,二是采用最新C5.0决策树分类混沌特征属性。利用实验室现有设备采集一名被试者在4种情绪下的3种生理信号(心电、皮电及呼吸),基于文中相关算法提取混沌特征并进行情绪识别,结果显示这4种情绪的识别率都有所降低。识别率下降的原因有叁点:一是由于实验条件限制没有采集对识别Joy和Sadness情绪效果最好的肌电信号,二是诱发情绪的视频素材较单一造成低唤醒度Pleasure情绪识别率的降低,叁是采集情绪的样本数量偏少。
（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。
生理信息融合论文参考文献
[1].邹策.基于多生理信息融合的驾驶疲劳检测方法研究[D].燕山大学.2018
[2].贺方.基于混沌特征提取的多生理信息融合的情绪识别方法研究[D].长春理工大学.2016
[3].李发权,杨立才,颜红博.基于PCA-SVM多生理信息融合的情绪识别方法[J].山东大学学报(工学版).2014
[4].颜红博.基于多生理信息融合的情绪识别方法[D].山东大学.2014
[5].任玉艳.生理信息融合算法及其在仿生机器马中的应用研究[D].燕山大学.2013
[6].陈冠兰.基于多生理信息融合的心血管疾病检测技术研究[D].重庆理工大学.2013
[7].张翼,李向新,王忠海,王玥,周鹏.基于多种生理信息融合的警觉度分析[C].天津市生物医学工程学会第叁十一届学术年会论文集.2011
[8].刘秀玲,杨国杰,王洪瑞,杜欢平,郭磊.动态生理信息融合在人体健康评价系统的应用[J].计算机工程与应用.2010
[9].吴学奎,任立红,丁永生,吴怡之.面向智能服装的多生理信息融合的情绪判别[J].计算机工程与应用.2009
[10].杨国杰.基于生理信息融合的运动评价系统结构及算法[D].河北大学.2009