智能服装作为一种智能健康监护系统,它担负着检测人体各种生理信号的功能,并将采集的生理信号通过医学健康诊断平台进行在线分析、诊断、处理,来达到健康监护的最终目的。由于人体的各个器官组织是相互作用、相互协调工作的,单一的生理指标有时不足以反映人体的健康状况。近年来,医学信息的多模式监护技术在临床中得到更多的重视,因为它将监测到的多生理信号结合起来,可弥补医生人工推理和综合判定主观上的不足,以提高医疗诊断的效率和可靠性。本论文的主要工作有:首先,介绍了智能可穿戴系统的相关背景知识,在面向智能服装在线医疗诊断的基础上,提出了建立面向智能服装多生理信息融合的情绪判别模型的框架。其次,通过对多源信息融合的理论研究,探讨了融合分类算法的理论和应用,重点研究了BAYES判别法,BP神经网络、模糊集合理论以及D-S证据理论,还详细介绍了支持向量机及其理论基础——统计学习理论、支持向量机的核心思想——核函数,以及支持向量机的二元分类算法和多元分类算法。重点探讨了支持向量机作为分类融合算法在多生理信息融合上应用的优缺点。再次,从生理机理的角度介绍了用于模型建立所需要采集的三种生理信号:心电(ECG)、呼吸(RSP)、体温(TEM),并介绍了RSA(Respiratory Sinus Arrhythmia,呼吸性窦性心律不齐)的生理现象,RSA生理现象的引入对情绪判别识别率的提高有一定帮助。对三种生理信号以及RSA生理现象的特征提取的方法进行了研究,介绍了特征值选择方法:序列极小化方法,因为特征值选取的好坏直接影响情绪判别识别率的高低。接着,对多生理信息融合的方法和应用进行了探讨。通过采集在特定诱导环境下的三种人体生理信号,并结合情绪主观调查表,对这三种生理信号进行了特征提取、特征选取、数据分析和分类处理,用MATLAB语言实现了基于支持向量机的多生理信息融合的情绪判别模型,取得了较高的情绪识别率。最后,通过LabVIEW和MATLAB实现了面向智能服装的多生理信息融合的情绪判别软件平台,提供了一个和谐的人机交互环境。