脈搏信號(hào)質(zhì)量評(píng)估及其情緒識(shí)別應(yīng)用.pdf

1、脈搏信號(hào)作為人體的生理信號(hào)之一，蘊(yùn)涵著豐富的生理與病理信息，在疾病預(yù)防、臨床監(jiān)護(hù)以及治療等方面得到了廣泛應(yīng)用。但是脈搏信號(hào)在采集過程中容易受到各種因素的干擾，導(dǎo)致其信噪比降低，甚至淹沒有用信號(hào)，造成臨床監(jiān)護(hù)系統(tǒng)錯(cuò)誤報(bào)警，增加醫(yī)師的工作量，影響臨床決策效果。準(zhǔn)確并快速地對(duì)信號(hào)質(zhì)量做出評(píng)估，在降低誤報(bào)率、減輕醫(yī)師工作量以及提高臨床決策效率方面，具有重要的理論意義與應(yīng)用價(jià)值。
　　針對(duì)脈搏信號(hào)質(zhì)量評(píng)估存在的問題，本文從信號(hào)質(zhì)量特征和分類

2、算法兩個(gè)方面展開研究，主要通過提取反映信號(hào)質(zhì)量信息的特征并構(gòu)建特征矩陣，建立優(yōu)化分類模型，探究信號(hào)特征與信號(hào)質(zhì)量變化之間的映射關(guān)系，實(shí)現(xiàn)對(duì)脈搏信號(hào)的質(zhì)量評(píng)估。論文的主要內(nèi)容與研究成果如下:
　　(1)闡述了脈搏信號(hào)的產(chǎn)生機(jī)理與波形特征，介紹了脈搏信號(hào)的特點(diǎn)以及常見干擾類型。設(shè)計(jì)合理的信號(hào)采集實(shí)驗(yàn)方案，搭建實(shí)驗(yàn)環(huán)境，分別從53位被試者的左、右食指端采集到了包含不同情感信息與質(zhì)量信息的脈搏信號(hào)數(shù)據(jù)。
　　(2)采用人工質(zhì)量等級(jí)標(biāo)

3、注的方法，首先根據(jù)脈搏信號(hào)的波形完整度以及干擾程度將單個(gè)脈搏波分為質(zhì)量好與質(zhì)量差，質(zhì)量好標(biāo)注為1，質(zhì)量差標(biāo)注為0。然后取5s數(shù)據(jù)滑窗對(duì)脈搏信號(hào)進(jìn)行分割，并對(duì)每段脈搏信號(hào)計(jì)算出包含單周期脈搏波質(zhì)量等級(jí)的均值。
　　(3)提取了來自線性和非線性空間內(nèi)的19個(gè)描述脈搏信號(hào)質(zhì)量變化信息的特征，其中包括13個(gè)時(shí)域特征、3個(gè)頻域特征和3個(gè)非線性特征。采用曼，惠特尼U非參數(shù)檢驗(yàn)方法，分析檢驗(yàn)不同質(zhì)量下的特征序列的差異性，利用Spearman相關(guān)

4、分析方法檢驗(yàn)特征序列間的相關(guān)程度，優(yōu)化分類模型。結(jié)果顯示，與時(shí)域特征比較，頻域特征與非線性特征在不同質(zhì)量下表現(xiàn)出明顯的差異性、敏感性和可區(qū)分性，同類特征之間表現(xiàn)出較高的相關(guān)性。
　　(4)設(shè)計(jì)并搭建了基于網(wǎng)格參數(shù)尋優(yōu)算法、十折交叉檢驗(yàn)技術(shù)和支持向量機(jī)的分類模型，并基于最優(yōu)參數(shù)和最優(yōu)特征子集，分別建立單特征與多特征信號(hào)質(zhì)量評(píng)估模型，實(shí)現(xiàn)了兩種信號(hào)質(zhì)量一對(duì)一的識(shí)別。多特征訓(xùn)練的分類模型平均分類準(zhǔn)確率為88.51％，高于單特征訓(xùn)練的分類

5、模型的分類準(zhǔn)確率，且對(duì)應(yīng)的標(biāo)準(zhǔn)差較小，結(jié)果表明本文基于最優(yōu)特征組合訓(xùn)練的分類模型具有較好的分類性能和一定的泛化能力。
　　(5)提取脈搏信號(hào)反映情感信息的特征序列，基于網(wǎng)格參數(shù)尋優(yōu)算法、十折交叉檢驗(yàn)技術(shù)以及SVM算法，利用原始脈搏數(shù)據(jù)以及質(zhì)量評(píng)估結(jié)果為好的數(shù)據(jù)分別構(gòu)建分類模型并進(jìn)行情感狀態(tài)識(shí)別，結(jié)果顯示，信號(hào)質(zhì)量評(píng)估后的數(shù)據(jù)搭建的分類模型的識(shí)別精確度為80.24％，未經(jīng)過信號(hào)質(zhì)量評(píng)估的數(shù)據(jù)搭建的分類模型的識(shí)別精確度為77.66％，