基于神经网络的WiFi睡眠呼吸暂停智能监测技术

为了克服传统睡眠呼吸监测方案未考虑实际受测人员在测试区域可能存在呼吸暂停、正常呼吸或者离开测试区域的问题,设计一种基于家庭WiFi的睡眠呼吸暂停智能监测系统。利用线性拟合消除接收天线的信道状态信息 (channel state information, CSI) 相位误差,并利用小波变换去除信号幅值的噪声;结合短时傅里叶变换和滑动窗口法对信号进行分割;提取天线间相位差的方差等特征并利用神经网络模型对呼吸暂停进行识别,排除睡姿变化带来的干扰。实验结果表明,该系统对于呼吸暂停的检测率达到95.6%以上,能够作为日常的呼吸暂停监测方案并为用户提供健康参考。     

基于体动射频信号的睡眠分期

为了减轻传统接触式睡眠生理监测系统对人体造成的负担,设计了一种基于微波技术的非接触式睡眠生理信号采集与分析系统,提出一种基于体动射频信号的睡眠分期识别算法.通过小波变换对射频运动传感器(RFMS)采集的体动信号进行预处理,再计算出体动信号的能量值,最后通过判别式处理和阈值法实现了睡眠分期:醒觉期、浅睡期、中睡期、深睡期.实验采集分析了8个实验者为期46天的睡眠生理信号,同时同步采集视频信息、TANITA水床睡眠信息、接触式呼吸脉搏信号.与视频结果比较发现醒觉期正确率达到90%;与TANITA水床睡眠结果相比,本系统的结果与其吻合程度达到70%;与不同睡眠状态下呼吸率、心率的变化相比,本系统的结果吻合度达到80%.     

基于信号谱熵的模糊Hamming网络缺陷识别

无缝钢管损伤监测和诊断的关键在于缺陷信号特征的提取和识别，作者研究了无缝钢管内伤、外伤及孔洞等缺陷信号的频域特征，提取信号二维谱熵指标作为特征指标，运用改进的模糊Hamming神经网络识别方法，对无缝钢管的缺陷进行识别，结果表明，该方法具有很高的识别精度，实例中识别准确率达100％，由于该识别方法不需要示教学习过程，因此能够应用于实时在线缺陷识别。     

基于S_Kohonen神经网络的乒乓球运动识别

针对乒乓球运动识别方法通常无法实时识别、识别率低和识别算法复杂度高,从而导致穿戴式设备续航能力差等问题,提出一种基于遗传算法优化S_Kohonen(supervisedKohonen)神经网络的乒乓球运动实时识别方法,并完成系统设计.该系统通过单MPU6050六轴加速度传感器采集运动信号,采用动作端点检测算法提取动作始末端点,基于db4小波对动作信号进行3层分解,同时用遗传算法优化S_Kohonen神经网络对乒乓球常见的6种动作进行识别.实验结果表明:该运动识别方法离线平均识别率为99.17%,实时平均识别率为91.67%,待机功耗为0.28 mW,运行模式功耗为14 mW,识别时间为2 ms,证明该方法识别迅速、功耗低、识别准确率高.     

基于粒子群优化-支持向量机的睡眠呼吸暂停检测

睡眠呼吸暂停（sleep apnea,SA）是一种睡眠障碍疾病,严重影响睡眠质量和身体健康。为降低睡眠呼吸障碍检测的复杂度并提高准确率,提出了一种粒子群优化支持向量机（particle swarm optimization-support vector machine,PSO-SVM）方法,通过心电信号实现对SA的准确检测。首先,将心电信号分段,并从中提取心率变异性;其次,实现特征提取与选择,包含心电信号RR间期的均值、标准差、均值标准差、差值均方的平方、心率变异性的信号总功率、低频段功率、高频段功率、瞬时中位频率、边际谱熵和能量谱熵等;最后通过PSO-SVM分类算法进行睡眠呼吸暂停检测。结果表明,本方法筛选10个特征对SA检测,利用Apnea-ECG数据库通过PSO-SVM检测准确率为94.0%,提升了现有方法的检测性能。     

中国计量学院 家用睡眠呼吸暂停诊断仪问世

世界卫生组织的调查显示，全世界有27％的人有睡眠问题。中国目前患睡眠呼吸暂停综合症的病人群约3000万-5000万。近日，中国计量学院徐文龙副教授等人研制出的“基于心电信号的睡眠呼吸暂停诊断仪”通过了省科技厅验收。验收组专家认为该仪器的技术方法属国内首创，     

全麻下悬雍垂腭咽成形术治疗阻塞性睡眠呼吸暂停低通气综合征68例

目的：探讨全麻下悬雍垂腭咽成形术（uvulopalatopharyngoplasty,UPPP）治疗阻塞性睡眠呼吸暂停低通气综合征（obtructive sleep apneahypopnea syndrome,OSAHS）的临床疗效.方法：选取自2004-06～2009-01采用全麻下悬雍垂腭咽成形术（UPPP）治疗中重度阻塞性睡眠呼吸暂停低通气综合征（OSAHS）患者68例.结果：68例患者术后打鼾症状明显减轻或消失,睡眠呼吸暂停次数明显减少,并于术后6个月进行多导睡眠（PSG）监测,其中显效38例,有效26例,无效4例,总有效率94%.结论：目前治疗OSAHS方法有很多,但手术治疗仍是一种较为肯定的治疗方法.     

阻塞性睡眠呼吸暂停综合症的观察及护理

通过对55例阻塞性睡眠呼吸暂停综合症患者术前、术后的护理及观察，总结了护理体会，着重对术前、术后健康教育及心理、术后伤口出血情况，气管切开护理，咽部水肿，饮食及口腔清洁，并发症观察护理进行了总结，并通过术前，术后血氧饱和度、呼吸、心率的监测，总结了阻塞性睡眠呼吸暂停综合症患者的手术疗效。     

中压开关设备故障类型的声音识别方法

为实现对中压开关设备运行状态的监测,提出基于短时能量面积占比参数的中压开关设备故障类型的声音识别方法。该方法对采集的原始声音信号进行滤波去噪和预加重处理,通过比较各种声音信号短时能量的面积占比、均值及峰值等参数的不同,并借助判据流程图识别声音信号的类型,对处于运行状态下的开关设备所发生的各种故障进行识别。仿真实验结果表明:测试声音信号分别识别为正常声音信号和异常声音信号1～4的匹配度依次为:99.03%、98.96%、65.28%、95.75%和90.41%,除对异常声音信号2的识别匹配度较低以外,对其余4种声音信号的识别匹配度均高于90%。研究表明该识别方法能有效识别中压开关设备故障类型,且识别精度较高。     

口腔矫治器治疗阻塞性睡眠呼吸暂停综合征临床应用

目的 探讨口腔矫治器治疗34例阻塞性睡眠呼吸暂停综合征(OSAS)患者的临床疗效.方法 制作"下颌前移型"矫治器让OSAS患者在睡眠时配戴,对其治疗前后用多导睡眠图监测呼吸紊乱指数(AHI)、平均呼吸暂停时间(MAT)、低通气指数(HI)、呼吸暂停指数(AI)及血氧饱和度(SaO2),用t检验进行统计学比较.结果 使用口腔矫治器前后患者的AHI,MAT,HI,AI,SaO2比较,差别有显著性意义(P<0.05).结论 口腔矫治器能使上气道增宽,使下颌稳定于一个前伸位置,舌和软腭前移,增加睡眠时的有效气量,改善睡眠质量,是治疗OSAS的一个有效辅助方法.     

基于SEMG分析的交互意图感知方法

针对以往依赖鼠标、键盘等传统设备的交互方式,其易受到各种场景和使用环境的限制,已成为虚拟现实以及新型显示技术发展的屏障,因此提出了一种基于SEMG分析的交互意图感知方法。由于连续表面肌电信号的实时识别不能通过单独的动作产生的活动段进行信号的分割识别,采用一种连续表面肌电信号的上下文分割思想进行实时信号识别。最后对识别出的信号进行模糊决策的交互意图分类,将识别的信号数据对设备进行交互感知控制。通过实验分析可知,基于SEMG分析的人机交互能够较好地感知识别人的不同意图动作,交互识别正确率能够达到95%以上。     

基于ECG信号和体动信号的睡眠分期方法研究

为了研究整夜睡眠状况和睡眠过程, 利用多导睡眠仪(polysomnography, PSG)和体动记录仪, 分别记录被试的ECG信号和体动信号, 再对 ECG信号提取心率变异性(heart rate variability, HRV)的特征值, 并将其作为实验数据的特征参数。为了提高识别率和防止过度拟合, 将实验数据分为训练集和测试集, 设计一个用遗传算法改进的BP神经网络模型, 对样本进行训练和预测。研究结果表明, 改进的BP神经网络能有效地识别测试样本, 综合识别准确率为86.29%。将检测ECG信号和体动信号的穿戴式设备与睡眠分期识别算法相结合, 能够用于家庭睡眠监测, 也可作为睡眠疾病的初筛方法。     

基于无线传感网络的大气环境pm2.5污染状况实时监测

大气环境中以PM2.5污染问题最为突出。由于无线传威网络的迅速发展为大气环境的实时监测提供了便利条件,于是提出对PM2.5污染状况进行监测。首先,以大气光谱吸收原理为基础,将谐波检测技术与双光路差分法结合后对气体中的PM2.5颗粒浓度物进行检测。由于气体中颗粒物对光谱吸收受波长影响,通过利用激光器的调频特性对发射光源进行调整,获取的输出光信号与调制频率相关,从而得到谐波分量信号中的大气PM2.5颗粒物浓度。其次,运用无线传感网的网络路由器将信号传输到监测终端,并利用人工鱼群理论对目标区域的网络覆盖率、未休眠节点及系统能耗等进行优化,达到有效采集PM2.5浓度信号以完成污染状况监测的目的。实验证明通过对大气环境PM2.5污染状况的有效监测为雾霾治理提供了数据支持。     

刀具状态的ANN—模糊识别

提出了利用人工神经网络（ＡＮＮ）及模糊识别理论融合多监控参数进行刀具状态识别的方法．该方法首先对各监控参数按刀具不同状态的敏感性进行分组,并利用多个ＡＮＮ子网络建立各组参数与刀具状态的模糊隶属度关系,然后利用模糊决策法对各ＡＮＮ子网络确定的刀具状态模糊隶属度进行综合评判并按最大隶属度判定刀具状态．该方法不仅具有ＡＮＮ的并行运算特点,而且具有模糊综合评判的容错性,从而提高状态识别的实时性和正确率．结合功率信号的多个特征对大量实验数据的测试表明,该方法可将ＡＮＮ的识别正确率从平均８８％提高到９５％．     

基于机器学习与视觉的四足机器人步态精确监测方法

为保证四足机器人在复杂地形中能准确行进,对其步态实时监测方法进行了研究,提出一种基于机器学习和双目视觉的步态精确监测方法。首先为降低视觉残影误差,从已知步态轨迹“动中取静”确定对足端的最佳观测点位。此外,为补偿视觉系统误差所致足端位姿测量误差,提出一种基于深度神经网络的足端位姿精确预测方法。最后仿真结果表明所设计神经网络有99.68%的概率能达到0.025 mm足端位置预测精度,可满足实时、高精度监测要求。此方法将机器学习的泛化能力与视觉系统复杂误差来源相结合,使视觉方法实现了高精度测量,为足式机器人步态实时精确监测提供了新思路,进而为其足端精确定位及步态周期性保持提供了有益的方法参考。     

一种基于邻值比较的信噪分离方法

为更高效地监测射电天文台站电磁环境,需针对宽带频谱序列研究高精度信噪分离方法,为进一步的信号识别和统计提供算法支撑.依托实测频谱数据样本,提出一种基于邻值比较的信噪分离方法.首先,采用邻值比较算法,提取宽带频谱的背景噪声,并对提取背景噪声进行滤波处理,结合标准差理论,确定宽带频谱的信噪分离阈值,实现宽带频谱信号和噪声的分离.其次,采用此方法对实测数据样本进行处理,并与现有信噪分离方法进行对比.结果表明,该方法通用性较好,信噪分离准确度高,能够应用于射电天文台站的电磁环境实时监测.     

人体腿部表面肌电信号特征提取方法

表面肌电信号(sEMG,surface electromyography)作为人体运动检测的主要信息源之一,已被广泛应用于康复训练福祉机器人领域。针对人体下肢动作识别的问题,提出了一种针对表面肌电信号进行小波变换的特征提取方法。在肌电信号的频域分布中,该方法选取小波子空间中活动段的平均功率组成特征向量。为验证所提出方法的有效性,设计实现了一种微型便携式多通道sEMG信号采集系统,并利用支持向量机(SVM,support vector machine)构建分类器对腿部动作进行识别。实验结果表明:该方法能有效识别腿部常见的4种动作,同一个体动作识别率能达到95%以上,不同个体识别率平均能达到85%,能够较好地应用于下肢运动障碍患者的日常康复训练。     

基于联合参数数字信号识别算法的研究

数字信号在敌情监测与侦查、卫星通信、非法电台监测等领域的使用极为广泛,因此对数字信号进行高效地识别、分析和利用具有重要的意义。为了改善信号的抗噪声性能和减小特征参数提取时的计算量,提出了一种利用联合参数对数字信号进行特征参数提取的方法。该方法先利用高阶累积量知识构造出三个参数,再利用信号瞬时幅度构造另外两个参数。最后基于联合参数法,利用神经网络对数字信号进行分类识别。实验结果表明,获取到的参数不仅能有效识别信号,而且当信噪比为10 dB时,识别的正确率可达95%以上,远远优于已有算法。     

人体皮肤电阻与呼吸、情绪关系的测量及分析

研究人体皮肤电阻的测量方法以及与呼吸、情绪的关系.设计了一个新颖的皮肤电阻的测量系统,详细讨论了关键的检测电路部分的设计.基于这一测量系统设计的相关实验,测量出了因呼吸、情绪变化而引起的皮肤电阻阻值变化情况.特别是探讨了通过测量皮肤电阻来实现对呼吸状态的监测,这为病人的呼吸状态监测提供了新的思路.从实验结果与生理的角度分析了呼吸、情绪变化引起皮肤电阻阻值变化的原因,指出了这一生理参数测量的应用前景.