發(fā)布時(shí)間：2017-03-28 15:16

  本文關(guān)鍵詞：基于智能終端的生命體征測(cè)量技術(shù)研究與實(shí)現(xiàn)，由筆耕文化傳播整理發(fā)布。

【摘要】：人體的五大生命體征包括心率、呼吸、血壓、血氧飽和度和體溫,它們與人體健康狀態(tài)息息相關(guān)。心血管疾病是中老年人群中常見的慢性病之一,而生命體征指標(biāo)與心血管的健康狀態(tài)有著密切的聯(lián)系。近年來(lái),人口老齡化已經(jīng)成為了全球性問(wèn)題,越來(lái)越多的中老年人的健康受到心血管疾病的威脅。隨著健康意識(shí)地提高,很多人為了能盡早發(fā)現(xiàn)健康異常狀態(tài),開始選擇袖套式、腕帶式的醫(yī)學(xué)設(shè)備測(cè)量自己的體征指標(biāo),而盡早發(fā)現(xiàn)健康異常并采取措施有助于減少治療的費(fèi)用。目前這類測(cè)量設(shè)備都存在著一些問(wèn)題,比如價(jià)格昂貴、不易使用等,因此難以進(jìn)入尋常百姓家;另一方面,由于缺乏專業(yè)醫(yī)生對(duì)測(cè)量值的解讀,導(dǎo)致測(cè)量的意義大打折扣。針對(duì)這種現(xiàn)狀,本文研究了基于智能手機(jī)終端來(lái)測(cè)量人體生命體征的測(cè)量方法,不僅可以方便地測(cè)量體征參數(shù),還可以將測(cè)量值發(fā)送到遠(yuǎn)程服務(wù)來(lái)獲取對(duì)應(yīng)的健康狀態(tài)分析報(bào)告。本文的主要貢獻(xiàn)如下:1.為了確保設(shè)備測(cè)量值是基于有效信號(hào)計(jì)算而來(lái),本文重點(diǎn)分析了信號(hào)產(chǎn)生機(jī)理,提出了自適應(yīng)的指端近視頻ROI選取算法來(lái)增強(qiáng)信號(hào),同時(shí)設(shè)計(jì)了卡爾曼濾波器來(lái)降低系統(tǒng)抖動(dòng)帶來(lái)的噪聲干擾,引入了改進(jìn)型米利有限狀態(tài)機(jī)來(lái)檢測(cè)信號(hào)質(zhì)量,控制后續(xù)的計(jì)算都基于有效的視頻體征信號(hào)。2.基于指端近視頻中提取的信號(hào)曲線下降沿陡峭的特征提出了差商閾值法來(lái)構(gòu)造更強(qiáng)的顏色變化速率體征信號(hào),降低了噪聲對(duì)PV檢測(cè)的干擾,提高了測(cè)量準(zhǔn)確度,并給出了自適應(yīng)的閾值計(jì)算方法。3.設(shè)計(jì)了基于極大似然估計(jì)的算法來(lái)檢測(cè)在測(cè)量過(guò)程中由于手指移動(dòng)等因素引入的奇異信號(hào),從統(tǒng)計(jì)學(xué)的角度解決了奇異信號(hào)檢測(cè)問(wèn)題,有利于系統(tǒng)對(duì)奇異信號(hào)的進(jìn)一步分析。4.引入了經(jīng)驗(yàn)?zāi)B(tài)分解算法將原始信號(hào)分解出多個(gè)單頻帶模函數(shù)分量,然后結(jié)合人體呼吸的頻帶范圍選擇其中部分低頻分量重構(gòu)呼吸信號(hào),從而將信號(hào)中的呼吸分量占比大大提高。本文分別在Android和蘋果智能手機(jī)平臺(tái)實(shí)現(xiàn)研究的測(cè)量算法,并設(shè)置對(duì)照實(shí)驗(yàn)來(lái)分析測(cè)量算法與標(biāo)準(zhǔn)醫(yī)學(xué)測(cè)量設(shè)備的測(cè)量差異。實(shí)驗(yàn)表明,在手機(jī)設(shè)備上,心率、呼吸測(cè)量結(jié)果與標(biāo)準(zhǔn)設(shè)備測(cè)量值的吻合度非常好,血壓的中低壓型的測(cè)量結(jié)果也較好,從實(shí)驗(yàn)的角度驗(yàn)證了本文測(cè)量方法的可行性和準(zhǔn)確度。最后從心率變異性的角度引入三維離散散點(diǎn)圖定性分析人體自主神經(jīng)對(duì)心臟的調(diào)節(jié)能力,為基于生命體征指標(biāo)的健康狀態(tài)分析提供了一種新的思路。
【關(guān)鍵詞】：生命體征 智能終端 心率 呼吸 動(dòng)脈血壓
【學(xué)位授予單位】：湘潭大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R443;TN911.7
【目錄】：

• 摘要4-5
• Abstract5-9
• 主要符號(hào)對(duì)照表9-10
• 第1章 緒論10-14
• 1.1 課題背景和研究意義10-11
• 1.2 研究現(xiàn)狀和發(fā)展趨勢(shì)11-13
• 1.3 本文的寫作結(jié)構(gòu)安排13-14
• 第2章 基于智能終端的生命體征測(cè)量原理14-22
• 2.1 指端近視頻信號(hào)和血液動(dòng)力學(xué)理論14-17
• 2.1.1 智能終端采集的指端近視頻14-15
• 2.1.2 Lambert-Beer定律15-16
• 2.1.3 血流動(dòng)力學(xué)與人體生命體征測(cè)量16-17
• 2.2 基于智能終端近視頻的人體生命體征計(jì)算原理17-20
• 2.2.1 心率的檢測(cè)原理和心率變異性分析17-18
• 2.2.2 呼吸率的檢測(cè)原理18-19
• 2.2.3 動(dòng)脈的收縮壓和舒張壓19-20
• 2.3 基于智能終端測(cè)量方法的優(yōu)勢(shì)和發(fā)展方向20-21
• 2.4 本章小結(jié)21-22
• 第3章 指端近視頻信號(hào)處理算法研究22-35
• 3.1 指端近視頻信號(hào)特性分析22-23
• 3.2 信號(hào)的增強(qiáng)與降噪23-29
• 3.2.1 自適應(yīng)的ROI選取方法23-26
• 3.2.2 卡爾曼濾波器設(shè)計(jì)26-28
• 3.2.3 信號(hào)的基線漂移去除算法設(shè)計(jì)28-29
• 3.3 指端檢測(cè)算法設(shè)計(jì)29-30
• 3.3.1 R分量均值計(jì)算模塊介紹29-30
• 3.3.2 基于R分量的手指檢測(cè)算法30
• 3.4 有效信號(hào)檢測(cè)算法設(shè)計(jì)30-34
• 3.4.1 FSM的引入31-32
• 3.4.2 基于米利FSM的信號(hào)狀態(tài)檢測(cè)算法32-34
• 3.5 本章小結(jié)34-35
• 第4章 智能終端近視頻信號(hào)特征提取算法設(shè)計(jì)35-47
• 4.1 基于差商閾值法的PV檢測(cè)算法35-39
• 4.1.1 差商閾值法35-37
• 4.1.2 自適應(yīng)的閾值選取算法設(shè)計(jì)37-38
• 4.1.3 算法效果分析38-39
• 4.2 基于極大似然估計(jì)的奇異信號(hào)定位算法39-42
• 4.2.1 極大似然估計(jì)法的引入39-41
• 4.2.2 奇異信號(hào)檢測(cè)效果分析41-42
• 4.3 基于EMD的信號(hào)分解算法42-44
• 4.3.1 經(jīng)驗(yàn)?zāi)B(tài)分解法的引入42-43
• 4.3.2 呼吸信號(hào)的分解與重構(gòu)43-44
• 4.4 基于梯形面積公式的近視頻特征曲線積分計(jì)算44-45
• 4.5 本章小結(jié)45-47
• 第5章 應(yīng)用設(shè)計(jì)與實(shí)驗(yàn)數(shù)據(jù)分析47-66
• 5.1 應(yīng)用平臺(tái)介紹與選擇47-50
• 5.1.1 硬件平臺(tái)47-49
• 5.1.2 軟件平臺(tái)49-50
• 5.2 應(yīng)用系統(tǒng)設(shè)計(jì)50-53
• 5.2.1 SDK設(shè)計(jì)概述50
• 5.2.2 實(shí)驗(yàn)應(yīng)用設(shè)計(jì)50-52
• 5.2.3 測(cè)量應(yīng)用實(shí)現(xiàn)效果52-53
• 5.3 實(shí)驗(yàn)及測(cè)量數(shù)據(jù)分析53-65
• 5.3.1 心率及心率變異性檢測(cè)53-60
• 5.3.2 呼吸率檢測(cè)60-63
• 5.3.3 收縮壓和舒張壓63-65
• 5.4 本章小結(jié)65-66
• 第6章 總結(jié)與展望66-69
• 6.1 論文工作總結(jié)66-67
• 6.2 下一步研究計(jì)劃67-69
• 參考文獻(xiàn)69-72
• 致謝72-73
• 附錄A 攻讀碩士學(xué)位期間的科研成果與參與的科研項(xiàng)目73
• 【攻讀碩士學(xué)位期間的科研成果】73
• 【攻讀碩士學(xué)位期間參加的科研項(xiàng)目】73

  本文關(guān)鍵詞：基于智能終端的生命體征測(cè)量技術(shù)研究與實(shí)現(xiàn)，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：272520