论文部分内容阅读
睡眠占据了人类生命的三分之一,目前,有超过30%的成年人存在不同程度的睡眠问题。传统多导睡眠监测是诊断和治疗睡眠障碍的金标准,但其检查程序复杂和舒适性不足等问题严重制约了睡眠监测的普及与推广。在睡眠过程中,心冲击信号(ballistocardiogram,BCG)能通过非接触式传感器进行便携式无扰动测量,同时该信号蕴含了大量与睡眠相关的生理信息,其中,睡姿信息的挖掘对于监测体位性睡眠障碍具有重要意义。论文在BCG测量系统研制的同时,对睡眠BCG信号的噪声处理与伪差识别算法展开了深入研究,并提出了两种基于BCG信号识别睡姿的机器学习方法。论文的主要研究内容及创新点如下:1)研制了低功耗高精度的BCG测量系统并应用于睡姿识别。基于柔性压电薄膜传感器开发了 BCG信号高精度调理与模数转换电路,基于超低功耗微控制器设计了 BCG信号采集系统的嵌入式软件,并初步验证了 BCG测量系统的安全性与可靠性,同时,利用该系统收集了 64名受试者共计80例的睡眠数据,通过类别标注建立了实验数据集,为论文睡姿识别方法的研究提供了保障。2)提出了一种基于统计信号处理的睡眠BCG运动伪差自动识别算法。通过特征生成与比较,选定BCG差分序列的窗口极差作为统计量,并基于Neyman-Pearson准则对特征明显的强伪差进行了优先识别;在此基础上,提出了结合峰态系数与硬阈值比较的策略,从而实现了对弱伪差的精细化检测。经实验数据集验证,算法取得了较好的伪差识别性能:灵敏度99.84%,特异度97.83%。3)围绕BCG信号“W”复合波的宽度WW、高度HW、面积AW、体质指数BW以及中心陡度CRW五个形态学特征,提出了两种睡姿识别的机器学习方法。一种是基于改进粒子群优化的非线性支持向量机(AAE-PSO-SVM)方法,提出了自适应加速因子的扩展粒子群优化算法来提高非线性支持向量机模型参数的搜索效率:另一种是基于半监督约束的改进模糊k均值聚类(SSE-FKM)方法,设定了校准程序来优化初始聚类划分,基于Shannon信息熵对欧氏距离进行了加权,改进了隶属度约束并引入了区间信息监督。实验结果表明,两种方法对睡姿识别的平均精度分别为96.28%和98.03%,与现有其它睡姿识别方法相比,论文提出的这两种睡姿识别方法不但能获得较高的准确度,同时还实现了无扰动睡眠监测。综上,论文研制了一种低功耗高精度的睡眠BCG测量系统,解决了 BCG信号分析中的运动伪差干扰问题,提出并验证了两种基于BCG信号间接识别睡姿的机器学习方法。这些研究为日常环境下的便携式睡眠监测提供了新的思路,对于促进睡眠障碍的筛查、诊断和治疗具有重要意义。