一、基于MATLAB的心电信号二值化算法（论文文献综述）
梅启升[1]（2020）在《基于机器视觉的平行度及光学面形检测》文中进行了进一步梳理近年来,随着工业化的脚步逐渐加快,光学仪器的使用变得更加广泛、频繁,提升光学元件的面形检测技术变得尤为重要。光学元件是光学系统的重要组成单元,在传统的检测工艺中,面形检测方案一般基于人工接触测量的方式对光学零件进行检测,需要用待测的光学零件与样本零件进行接触式比较才能进行测量、比对,因此,传统的面形检测方案容易对光学零件的面形、光洁度造成一定程度的损伤。伴随着时代进步,在硬件方面,由于光学仪器快速发展与进步,目前激光干涉仪用于检测光学元件面形逐渐取代了传统的检测方法。激光干涉仪（以基于泰曼干涉系统为例）能对微小位移进行高精度测量:光电自准直仪逐渐取代了传统的平行度检测方法,能够基于光电检测技术对光学元件的平行度进行测量。在软件方面,由于图像处理技术与机器时觉技术的快速发展,光学图像的特征信息能够通过软件算法、机器视觉进行筛选、提取,根据激光干涉图像、自准直图像对光学元件面形进行分析计算。本论文根据上述的研究方向进行了一系列的研究工作:1、根据双分划板自准直仪的平行度检测图像特征,首先对图像进行消除噪声,并建立相应的模型提取出分划板图像的位置信息、计算出玻璃平板两个表面的反射像中心间距,其中软件算法可以提取出第二分划板刻度线部分,接着建立简单模型对可能产生的鬼像进行消除,最后根据第一分划板的影像间距分析是否满足平行度检测条件。2、分析泰曼干涉仪拍摄的干涉条纹图像的面形特征信息,主要包括两个基本特征:干涉条纹骨架、干涉条纹级次。首先对激光干涉条纹图像进行双边滤波处理,降低图像处理的难度,结合差分阈值法进行二值化。然后筛选出面形特征信息,随后优化二值化图像中的信息,降低软件后续处理的难度。3、将二值化的干涉条纹图像采用骨架提取算法处理,初步提取后的骨架能够包含干涉条纹的所有有效信息（如相位、位置）。然后对干涉条纹骨架进行去除毛刺与修补断点,最后根据干涉条纹骨架进行级次标定。4、对本论文进行优缺点的分析以及对课题的研究进行总结以及展望。软件算法部分基于Microsoft Visual Studio2007和Matlab 2014b平台下开发和实现的,并基于课题组的实验数据进行处理,达到预期的标准。
杨国成[2]（2020）在《基于超宽带雷达的生命体征检测算法研究》文中研究指明随着无线电技术的快速发展,超宽带雷达逐渐成为生命体征检测的一个重要研究领域。超宽带雷达因其距离分辨率高、穿透能力强、抗干扰等优势,在生命体征检测中发挥越来越重要的作用。其中基于超宽带雷达的生命体征检测系统应用领域广阔,特别是在医疗健康、灾难救援、军事战争等方向上。本文研究基于超宽带雷达的生命体征检测算法,主要内容归纳如下:（1）针对接收信号中存在较强的杂波和噪声,本文首先使用平均相消法对静止杂波进行滤除,接着利用频域低通滤波和信号自相关处理对信号进行降噪以提高信号的信噪比,然后采用距离门选择算法提取体表振动信号。（2）研究单目标的生命体征检测算法。针对被测目标可能存在轻微移动（没有过多抖动）,提出轨迹捕捉算法,其通过接收脉冲的峰值位置去预测目标的运动轨迹,接着按照运动轨迹去修正每一束接收脉冲以获得目标静止状态下的接收信号。为了解决弱心跳信号容易被呼吸谐波和其他杂波掩盖的问题,提出N次迭代的峰值捕捉算法,其首先提取呼吸频率并抑制其高次谐波,接着在心跳频段捕获M个峰值频率,然后迭代N次统计心跳频段出现最多次数的峰值频率作为心跳频率。通过MATLAB算法仿真,结果表明,该算法可以准确提取静止、微动目标的生命体征,相对于传统峰值捕捉算法和离散傅里叶变换（Discrete Fourier Transform,DFT）算法有更高的测量精度和更好的稳定性。（3）研究多目标的生命体征检测算法。本文提出两种多目标体征检测算法,基于一维距离聚类的多目标体征检测算法和基于距离频率聚类的多目标体征检测算法。前一种算法先计算距离门能量,接着进行一维距离聚类获得目标距离门坐标,然后分段进行单个目标体征检测获取呼吸心跳频率。后一种算法先将回波信号在频域上展开,接着分别对呼吸和心跳频段进行降噪、二值化处理,然后进行距离频率二维聚类获得被测目标的呼吸心跳频率。通过MATLAB算法仿真,结果表明,相对于其他算法,基于一维距离聚类的体征检测算法具有更高的测量准确度,但仅能检测不同位置上的多个目标;而基于距离频率聚类的体征检测算法可以快速准确地检测同一位置上的多个目标。
张强[3]（2020）在《基于APSOC的CNN优化设计在先心病分类研究中的应用》文中研究表明先天性心脏病,简称先心病,是婴儿出生时易患的严重疾病,影响着患儿的发育、成长。先心病的临床诊断分初诊和确诊两个阶段,初诊的筛查主要靠心脏听诊,专业性强,基层医生不易掌握;确诊主要通过超声心动图仪,此设备价格昂贵,需要专业人员操作,目前很难普及到乡镇卫生院。云南为先心病高发区,受限于省内偏远山区的医疗条件,目前先心病的筛查主要依靠省级医疗队下乡完成,基层乡镇卫生院无能力独立完成,传统的先心病筛查方法效率低、成本高,难以覆盖到全省范围。采用数字信号处理和人工智能技术,实现机器辅助诊断是一个具有挑战性的研究课题,本文力图借助嵌入式设备,采用CPU+FPGA异构部署并结合深度学习的方法,对心音信号进行实时采集并分析,可望实现机器辅助听诊的目的。本文首先对心音信号、心电信号的生理、病理性相关知识进行了介绍,结合目前主流的全可编程片上系统（APSOC）异构开发平台,设计了一款基于CPU+FPGA架构的便携式心音心电采集与心音分类的机器辅助初诊设备。本研究以APSOC-Zedboard平台为核心,以软硬件协同工作的方式,实现信号采集与分析。基于CPU架构实现心音信号、心电信号的波形绘制;基于CPU+FPGA异构实现卷积神经网络（CNN）实时分类心音信号,达到集心音心电信号采集与心音信号实时分类的目的。本研究数据采集部分主要依靠APSOC-Zedboard中PS部分的CPU资源,支撑Linux系统运行Qt Creator编译的心音心电采集程序,负责接收STM32采集并上传的心音心电数据,并绘制波形图和存储信号,便于用户可视化数据采集的相关操作。本研究心音数据分析部分以CPU+FPGA异构部署的方式,将PC端训练完整的CNN模型移植到嵌入式平台中,评估出FPGA资源最大化利用的最佳部署方案,实现CNN实时分类心音样本数据。本研究的实验结果表明,数据采集部分实时并行采集的心音心电信号可被心音数据库收纳;CPU+FPGA最佳异构部署方案实现的CNN分类心音样本数据,准确率达到了86%,FPGA资源消耗最高为DSP48E 99%,分类200个心音样本最快耗时0.77秒,可优化封装应用于基层医院的先心病机器辅助初诊。
王迪[4]（2020）在《鲁棒性心电信号身份识别算法研究》文中研究说明近年来,随着信息技术的快速发展和网络的普及,个人身份识别已经在金融安全、访问控制、安防监控和资料保密等领域得到了广泛应用,可靠、稳定、简单和低成本的个体身份识别技术在信息安全领域具有巨大的应用前景。然而传统身份识别工具,由于存在易丢失、易遗忘与易被盗用的缺点,已经无法满足人们的需求,因此生物特征识别技术应运而生。心电信号作为一种医学生理信号,不仅能够反映心脏的健康状态,同时蕴涵了个体丰富的身份信息,满足作为生物特征用于身份识别的必要特性。不仅如此,与人脸、指纹等体外密钥相比,心电信号还有其自身独特的优势:（1）心电信号属于体内密钥,难以被窃取;（2）心电信号自带活体检测属性,可以有效避免指模、照片等人造工艺带来的仿制问题。因此对心电身份识别技术进行研究,能够极大提升身份识别的安全性,具有广阔的应用前景。目前国内外心电身份识别研究广泛采用模式识别方法,通过计算机自动分析探索心电信号与个体身份之间的联系。在过去的数十年里,心电身份识别取得了长足的进步,大量研究成果相继涌现。然而,受心电信号自身复杂性与噪声的干扰,在应用中实现鲁棒、准确的心电信号身份识别仍然是一个很大的挑战。针对心电信号身份识别存在的问题,本文结合心电信号自身特点,分别从抗噪、抗心率变化与抗基准点检测误差三个方面展开鲁棒性心电身份识别算法的研究。研究工作归纳如下:1.心电信号在采集过程中会不可避免地混入噪声,这些噪声会扭曲信号形态,导致身份识别准确率下降。在传统心电身份识别过程中,去噪预处理虽然能有效抑制噪声,但是其同时存在算法普适性差、容易滤除身份识别有用信息的问题。为了消除传统去噪预处理给身份识别带来的不利影响,本文结合离散小波变换技术与稀疏自编码网络,通过将去噪思想融入特征提取,提出了一种基于时-频域自编码的抗噪声心电身份识别算法。算法首先利用离散小波变换将心拍分解为多个时-频成分,然后结合心电信号各波段与主要噪声的时-频分布特点进行特征选择,通过只保留关键波段对应的时-频成分滤除噪声影响,最后使用稀疏自编码网络通过特征学习在抑制残余噪声的同时,实现个体鉴别性特征提取并完成分类。在不考虑心率变化影响的条件下,通过在ECG-ID心率稳定数据集与MIT-BIH-AHA数据库上的对比实验,验证算法能够在无需去噪预处理的条件下,直接从原始含噪信号中提取有效特征,取得良好的身份识别精度。2.当人体发生情绪或运动状态改变时,心电信号因心率变化而产生T波偏移,这种偏移会使心电信号在形态上发生改变,导致识别准确率下降。为了满足实际场景应用,提出了一种面向心率变化的无去噪心电身份识别方法。算法首先采用本文提出的T-QRS-T重采样方法对心拍进行T波校正。与传统T波校正方法相比,T-QRS-T重采样方法的优势在于不依赖Q、S等微弱波幅点的检测,因此更能满足复杂实际场景的应用需求。在特征提取环节,针对传统神经网络,如自编码网络参数繁多且寻优过程复杂的问题,采用仅含少量超参数且具有抗噪性能的主成分分析网络直接从校正后的含噪心拍中挖掘个体间差异化信息,最后使用线性支持向量机完成分类。为了验证算法的有效性,在ECG-ID心率变化数据集与ECG-ID全数据集上开展多组对比实验,结果证明所提出的方法能够有效解决T波偏移问题,实现在心率变化下的鲁棒性心电身份识别。3.针对现有基准点检测算法定位精度不足给心电身份识别带来的不利影响,提出了一种基于窗口组合特征的抗基准点检测误差心电身份识别方法。该方法首先采用固定时长滑动窗将原始心电信号划分为多个窗口信号段,以这些窗口信号段代替心拍作为基本识别单元。然后,考虑到不同窗口信号段间的形态、信息含量等差异,对窗口信号段分别从统计域与时域角度进行全局与关键局部信息表示,其中统计域表示由自相关/离散余弦变换获取,时域表示由本文提出的窗口信号段MAX特征提取方法得到;第三,使用PCANet分别对统计域表示与时域表示进行特征提取,并组合两种特征实现二者信息互补,丰富身份识别判据;最后使用线性支持向量机完成分类。通过在ECG-ID心率稳定数据集、ECG-ID心率变化数据集、ECG-ID全数据集与MIT-BIH-AHA数据库上的多组实验对比,证明提出的算法能够在无基准点检测的条件下,有效改善心电信号身份识别准确率。
高明慧[5]（2020）在《基于智能手机摄像的脉搏波重建及心率变异性监测》文中指出心血管疾病（如脑中风、冠心病、心律失常等）对人类生命健康危害极大,早发现早治疗对心血管疾病的预防和治疗很重要。研究表明,心率变异性分析是自主神经调节功能评估的重要临床指标,其对心血管疾病的突发风险具有直接的预见性。传统的心率变异性参数是利用心电图波形分析计算得到的,但是心电图检查受价格昂贵,操作繁琐等因素限制,不利于心血管病高危人群的日常监测使用。随着我国老龄化进程的推进,心血管疾病患病人数逐年升高,因此,研究一款使用便捷的心血管监测设备对提高我国心血管疾病防治水平具有重要意义。脉搏波是由心脏搏动引起的动脉内压力发生周期性波动的信号,其节律性与心脏搏动节律具有极强的一致性。因此,脉搏波信号被广泛应用于心率计算、心率变异性分析及心血管疾病诊断,如市面上成熟产品:智能手表与手环。随着技术的发展,基于图像的光电容积脉搏波描记法得到广泛关注,该技术可以从摄像头拍摄的视频图像信号中重建出脉搏波信号。本文提出一种基于智能手机摄像的脉搏波重建及心率变异性监测方法和系统,可以实现仅仅使用智能手机摄像头拍摄指尖视频信息即可重建人体脉搏波,进而计算得到多种指标,有效代替心电图进行心率变异性分析,并且可以全天候的感知、收集人体生理数据,进一步发掘用户需求,本文的研究内容包括以下几个方面:（1）本文提出了一种新型的兴趣区选择算法。利用智能手机采集的指尖视频信息提取脉搏波的过程中,往往存在计算量大、耗时长的问题,严重影响用户体验。本文为了提高获取脉搏波的计算效率,通过选择兴趣区的方式来提取视频中信息最丰富的区域,进而提高重建脉搏波的效率和质量。在兴趣区选择的问题上,本文提出了帧间差分和间隔像素采点相结合的算法,首先利用帧间差分法获得原始兴趣区,然后对兴趣区中像素进行间隔采样,最后用采样像素重建脉搏波信号。本算法在保证采样信息足够丰富的同时,极大地减小了计算量和噪声干扰,非常适合智能手机的实时应用,有利于推广普及智能手机检测生理参数的功能,促进生理参数采集的多样化及实用化。（2）本文提出了一种切比雪夫滤波器和notch自适应陷波滤波器相结合的脉搏波滤波算法。由于智能手机重建的原始脉搏波波形受随机噪声、基线漂移等因素的影响,不利于进一步的脉搏波特征点的选取。本算法首先将原始数据进行FFT变换,通过频域查找的方式,自适应的去除和保留原始脉搏波的特定频域,从而较好地去除噪声干扰。此外本算法还有波形相位损失小的特点。（3）本文建立了一个平均年龄为40±26岁的34人次的指尖视频信号,脉搏波信号,心电图信号数据集。由于利用智能手机拍摄指尖视频信号重建脉搏波计算心率变异性尚无大的公开数据集,因此,本文分别招募了17名男性和17名女性受试者进行数据采集实验,分别利用智能手机和Biopac多功能生理参数测量仪,对每位受试者同时进行了5分钟的数据采集。本文研究结果表明,利用本文所提算法重建的脉搏波与心电图计算得到的心率变异性时域参数（NNVGR、SDNN、RMSSD、SDSD）的皮尔逊系数2在0.36-0.6之间,属于强相关范围;和方差SSE小于0.1,模型拟合度较好;而且本文提出的帧间差分间隔像素法不仅提高了脉搏波重建质量,而且相较于选择视频中间区域的方法用时从33.25秒减少到了8.475秒;同时,本文所提notch自适应陷波滤波算法可较好地去除噪声干扰。本文所述脉搏波检测方法具有广阔的应用前景。
王丹俐[6]（2020）在《基于心电向量图非线性动力学特征的心肌梗塞诊断研究》文中提出以心肌梗塞为代表的心血管疾病是危害人类健康的主要疾病之一,其致死率和致残率均很高。由于其发作前征兆不明显,一些病人若得不到及时的抢救,会对心肌细胞产生永久性的损伤,出现心脏衰竭,休克,甚至威胁生命,因此心肌梗塞的及时准确的诊断对患者的救治十分重要。心电向量图（Vectorcardiogram,VCG）是心脏电活动在体表的综合表现,蕴含着丰富的生理和病理信息,在心肌梗塞的诊断和评价中具有重要意义。与其他有创检测手段相比,心电向量图无创方便易行、检测价格低廉,目前依然是心肌梗塞检测中最有效的无创心电检测方法之一。得益于信号处理与分析技术的发展,如今可以从心电向量图中挖掘出越来越多肉眼无法观察到的,但对心肌梗塞有重要提醒作用的心电特征。经过近十年的研究发展,心电向量图智能诊断心梗领域涌现出许多有价值的工作,同时患者复杂的个体差异性以及病理生理变化也为研究带来了很多挑战。鉴于心电向量图智能诊断心梗具有重要的理论研究意义和实际应用价值,本文将对其进行深入研究,在前人工作的基础上重点研究心电向量图非线性动力学特征及其在心肌梗塞中的应用,主要工作有:（1）挖掘心电向量图时间序列内在的非线性动力学特性。从非线性动力学理论出发,利用相空间重构技术,对心电向量图这一非线性时间序列进行非线性动力学特性分析,分别采用庞加莱截面法、主成分分析法、功率谱图法,观察重构轨迹的几何结构,分析频谱的分布和周期性,确定心电向量图存在非线性混沌特性,同时观察正常VCG和心梗VCG信号之间非线性动力学特征的差异。（2）研究基于心电向量图的非线性动力学特征提取方法。从动力学系统信息量动态演化的角度进行研究,分别提取三个典型的熵值特征:近似熵、样本熵、模糊熵;从系统内在结构的变化过程研究非线性动力学系统的复杂性,分别提取LZ复杂度和C0复杂度;从混沌动力学的角度出发,分别提取最大Lyapunov指数、延迟时间、嵌入维数、Kolmogorov熵和关联维数,对心梗与正常个体的心电向量图进行特征值分布分析,确定心电向量图非线性动力学特征在心肌梗塞诊断中的有效性。（3）研究基于心电向量图非线性动力学特征的心肌梗塞检测方法。首先,将所提取的非线性动力学特征,结合机器学习分类模型,进行分类器参数的寻优,将PTB数据库中正常和心梗样本设置为5折交叉验证,实现基于单一非线性动力学特征的心梗检测,确定各特征在心肌梗塞疾病中的准确率。然后,采用前期融合与后期融合相结合的方式进行分类测试,最终取得93%的准确率。单一特征很难对复杂的心电模式进行全面精准的描述,所提的心电向量图非线性动力学特征分别从不同的角度刻画了系统的内在特性,因而多个特征融合下的分类准确率、敏感性、特异性均比任何单一特征的分类结果好。（4）研制开发心电向量图非线性动力学在线分析系统。该在线分析系统使用MATLAB GUI模块进行搭建,所用的AIKD心电采集模块通过USB接口与界面交互,实现命令的发送,数据的传输。该系统能够支持心电向量图数据在线采集和分析诊断,对心电向量图进行特征提取、分析诊断,最终提供图形化和文字化的输出结果,为心肌梗塞的诊断提供一个实用的辅助诊断工具。
孟金慧[7]（2020）在《基于图像处理的值班人员鉴权与疲劳识别研究》文中指出随着人工智能研究的兴起,人脸识别和疲劳检测技术在实际生活中应用于各行各业,为人们生活的便捷性带来了保障。当前一些重点区域如银行值班室、铁路运营室、消防监控室、重症监护室等岗位的值班人员,需要时刻盯着视频图像监视器,因值班人员疲劳、瞌睡、擅自离岗等不良行为导致的重大事故时有发生,因此开展基于图像处理技术的监控系统来提高值班人员的工作质量具有理论研究意义和实际应用价值,是当前该领域亟需解决的问题。本文研究基于视频的非接触的、实时的值班员身份鉴别和疲劳检测,首先借助值班室摄像头采集值班员视频,利用多任务卷积神经网络人脸检测算法快速定位人脸区域并精确定位人的眼睛和嘴巴;再通过基于卷积神经网络的人脸识别算法提取人脸特征,借助分类器实现人脸识别。其次利用提取定位出来的眼睛和嘴巴相关的疲劳参数进而判断值班员的疲劳状态。主要工作如下:（1）介绍了人员鉴权与疲劳检测系统的研究背景和意义,总结了国内外相关文献;概述了人脸检测、人脸识别和疲倦识别的国内外研究现状;讨论了卷积神经网络在人脸检测和人脸识别中的应用。（2）基于经典人脸识别算法框架VGG-16,对其网络结构和损失函数做了相应的改进,在结构上减少几个卷积层来和一个全连接层以提高效率;在损失函数上,由原来的Softmax损失函数加入了 Center loss函数的成分,以确保人脸识别分类的准确率。（3）基于眼睛状态识别方法的分析,讨论并比较了疲劳识别的常规技术,利用提取定位出来的眼睛参数PERCLOS值、眨眼频率和嘴部参数PMRCLOS值三者相结合的办法来实现疲劳状态的判别与预警,仿真分析该方法可行且有效。（4）设计了人脸鉴权和疲劳检测的应用系统,并且通过在实验室采集的小型人脸图像数据集验证了该系统的鉴权功能,并对影响人脸识别的常见因素做了测试,包括光照强度、人脸姿态、人脸遮挡。同时采用实时视频的实验对系统检测疲劳状态进行了测试与分析,系统实际测试表明可行。基于图像处理的值班员身份鉴权和疲劳状态实时监测技术,可有效鉴别值班人员身份并能够实时判断值班员是否进入疲劳状态从而提高值班员的工作效率,同时为解决因值班人员工作状态而导致的安全隐患问题提供了积极思路。
常文文[8]（2019）在《面向脑机接口的多模态认知隐藏信息特征检测与识别研究》文中提出认知隐藏信息检测或测谎在国家安全、司法和职员筛选等领域有着特殊的作用。传统的多导测试仪在一些国家的某些领域得到了较为普遍的应用,但其科学性和有效性一直受到一些科学家的质疑。要想将其作为法律依据独立应用于司法系统和国家安全领域,除了加强其测试理论和分析方法的研究,同时更需要探索其他替代技术和改进方法来提高检测的准确率和可靠性。近年来,随着脑与认知神经科学研究方法及脑成像技术的发展,基于脑机接口（Brain Computer Interface,BCI）的认知隐藏信息检测技术得到了广泛关注和快速发展。广义上来讲,认知隐藏信息检测通常指隐藏信息测试（Concealed Information Test,CIT）过程,是测谎的一种实现形式。说谎,其本质来讲是一种复杂的认知过程,涉及一系列高级认知功能。而脑机接口技术和脑成像分析方法能够较为直观地反映大脑的这种认知活动,只有在对说谎对应的脑工作机制和认知过程有了充分的认识之后,才有可能设计出更加有效的检测系统。同时,随着机器学习算法的发展以及在人工智能中的应用,将脑机接口技术与机器学习方法相结合,建立基于脑机接口的模式判别系统对隐藏信息的检测具有十分重要的意义。本文基于脑机接口系统和实验室测谎范式,设计了基于视、听、触觉刺激的多模态隐藏信息检测实验,通过对全脑区多通道脑电（Electroencephalogram,EEG）信号的分析,从时、频、空间域以及脑功能网络连接的角度对说谎和真实状态下的大脑活动特征展开详细研究,并结合模式识别算法完成对实验中说谎和真实状态的分类识别。本文的主要工作和创新点体现在以下几个方面:1、提出了基于多通道P300幅值几何差的时域检测方法和基于网络结构中“关键节点特征比”的空域检测方法。为了研究隐藏信息检测过程中说谎状态对应各脑区脑电信号的时-频-空域特征,设计了面向脑机接口的视觉刺激隐藏信息检测实验,对说谎和真实状态下的脑电信号展开全脑域分析。在时域几何差的分析方法中,发现说谎组对应靶刺激和无关刺激之间的几何差明显大于靶刺激和探测刺激之间的几何差;而在真实组中,两种差值之间并没有发现显着区别。在空间域的分析方法中,发现说谎组中靶刺激和无关刺激之间的关键节点特征比明显不同于靶刺激和探测刺激之间的比值,但在真实组中并没有如此明显的差别。利用这些显着差异便可实现对说谎和真实状态的分类识别,实验结果表明这两种方法都具有较高的识别正确率,验证了方法的有效性。2、提出了基于EEG二值网络特征和支持向量机的隐藏信息检测方法。为了对隐藏信息检测过程中说谎状态对应脑功能网络展开定量分析,从而实现检测过程的计算机化,设计了新的面向脑机接口的视觉图片刺激和听觉音频刺激检测实验,构建了不同状态下基于非线性相互依赖指数的二值网络,结合网络特征参数和支持向量机实现对说谎和真实状态的特征识别,测试结果得到了较高的分类正确率,证实该方法是可行有效的。对不同状态网络特征参数的对比分析发现,在视觉和听觉刺激作用下,脑功能网络都表现出小世界特性,同时说谎状态对应网络小世界特性增强。此外,还发现视觉刺激和听觉刺激对应检测效果之间并没有显着的区别,但是视觉刺激的整体识别率要高于听觉刺激。本文首次将脑功能网络的分析方法应用到隐藏信息检测中,测试效果良好,为隐藏信息检测和对应脑认知机制的研究提供了新的研究途径和思路。3、提出了基于EEG加权网络特征和量子神经网络分类器的检测方法。二值网络的主要缺点是通过阂值筛选之后网络会丢失一些有价值的信息,而加权网络能够更加真实地表现网络的连接关系。基于上述二值网络研究结果,设计了面向脑机接口的视听同步刺激隐藏信息检测实验,并完成同视觉刺激作用下测试效果的对比。通过相位延迟指数构建不同状态对应的加权功能网络,此外本文提出了全局特征熵的概念,用以实现对全脑整体复杂度的定量表征。最后,本文设计并实现了量子门节点神经网络分类器,结合加权网络特征参数和全局特征熵完成对隐藏信息的检测。实验结果表明该方法也能较好地识别说谎和真实状态,验证了其有效性。对视听同步和视觉刺激的对比分析发现,结合视觉和听觉刺激的测试效果要优于单纯的视觉刺激的效果,也为多模态刺激的融合提供了实验依据。4、构建了熟人和陌生人信息诱发脑电信号对应的因果网络,提出了基于网络“流度比”的阈值选择方法。大脑的认知过程涉及不同脑区间的相互协调和配合,但在说谎过程中不同脑区间的信息具体是如何传递的,以及脑区间是否存在某种依赖关系,仅通过上述同步分析是无法解答的。隐藏信息检测的主要依据是大脑对熟知的人物信息的反应不同于对陌生人物信息的反应。因此,基于上述实验中视听同步刺激的测试数据,分别对熟人和陌生人信息诱发脑电信号在Delta、Theta、Beta和Alpha四个波段内使用传递熵构建对应的有向功能网络,通过计算各频段内对应网络节点的流度比实现对网络的重点筛选,并完成对应网络特征量的对比分析。结果发现熟人和陌生人信息诱发有向功能网络中核心节点的位置以及不同脑区间信息流向存在不同程度的差异,表明不同脑区对熟人信息的认知参与程度不同于对陌生人信息的认知参与过程。本文基于有向功能网络特征的分析,对理解大脑对是否熟知的信息的认知反映以及认知过程中脑区间信息的流动具有重要的现实意义,同时为探索除P300之外的其他波段信号在CIT中的应用具有一定的借鉴意义。5、采用六种分别表征信号间时域和频域、线性和非线性以及一般同步和相位同步的分析方法对隐藏信息检测过程中说谎和真实状态对应网络特征展开对比分析,找到适用于CIT中网络构建的最佳分析方法。可用于功能网络构建的同步性分析方法众多,但不同方法其理论依据和计算过程各不相同,对同一组信号间依赖关系的表征因此也不尽相同,会对隐藏信息检测的效果产生一定的影响。本文基于图论理论,对面向脑机接口的隐藏信息检测过程中说谎和真实状态对应不同脑网络结构展开对比分析。结果发现,相比真实状态,网络结构在说谎状态下连接强度增强、小世界特性增强,两种状态间网络特征参数表现出统计性显着差异。此外,对比线性和非线性,以及时域和频域分析方法对应的网络特征,发现这些方法之间并不存在显着差异,而通过互信息构建的功能网络其特征量对两种状态的区别效果最佳。该结果为面向脑机接口的隐藏信息检测中脑功能网络构建方法的选择提供了重要参考。6、提出了面向脑机接口的视觉刺激和触觉反馈的CIT分析方法。触觉感知是人体除视听感知之外的另一种非常重要的感知系统,是实现脑机交互的一个重要感官通道,新一代面向脑机接口的隐藏信息检测系统将是基于多刺激模态、结合虚拟现实技术和人工智能的综合性测试系统。同时触觉反馈刺激的引入对应对反测谎CIT系统的设计具有一定的价值,因此首先需要清楚触觉刺激作用下的脑认知机理和信息处理过程。本文设计了单向感知的多稳态触觉刺激实验和人在回路中存在感知反馈的邻近阈值触觉刺激实验,通过同步记录触觉刺激诱发的脑电信号实现对感知过程中大脑认知特征的研究。结果发现,在多稳态触觉感知实验中,并不存在不同感知状态之间的脑神经活动差异;而邻近阂值刺激实验能够较好地表现被试对触觉刺激的感知过程,此外还发现大脑的感知状态越确定,其活跃程度就越低。基于上述结论,本文将邻近阈值触觉刺激引入到面向脑机接口的视觉CIT实验中,通过在视觉刺激之前加入触觉反馈来应对检测过程中可能出现的反测谎手段,实验结果表明,该实验模式在应对反测试时有较好的效果,而触觉刺激的加入并不影响大脑对隐藏信息的检测过程,从而可提高CIT系统的稳定性和可靠性。本文对面向脑机接口的隐藏信息检测过程中脑电信号的时-频-空域特征以及脑功能网络结构的研究,首次从全脑不同脑区的角度对说谎过程中脑神经活动开展了较为详细的分析,对理解说谎过程对应的大脑认知机制具有重要的参考价值;同时对视、听、触觉刺激范式下的脑认知活动进行了详细分析,为面向脑机接口的多模态隐藏信息检测系统开发提供了理论依据。同时本文提出的几种隐藏信息检测方法在理论研究和实际应用中具有一定的借鉴意义和参考价值。
曾强[9]（2019）在《基于心电动力学图的动态特征提取及其在运动训练上的应用研究》文中提出目前,心肌缺血疾病对人类健康造成了重大的威胁,而且其发病率在提高,并有往年轻化发展的趋势。因此,对于心肌缺血的早期辅助诊断具有重要意义。临床上一般通过观察心电图的ST-T段来判断心肌缺血的状况,该方法对医务人员的水平要求较高,仅仅通过肉眼来观察无法看到一些心电图信号细微的信息,且具有误诊的风险。虽然目前拥有冠脉造影技术来更深入的诊断心肌缺血,但是该技术对人体具有创伤,而且费用昂贵,诊断复杂。因此,运用工程上的技术,对心电信号中的特征信息做更多挖掘意义重大。基于确定学习理论的心电动力学图是一种对心电图信号通过径向基神经网络建模后得到的心电图全息特征信号。确定学习理论利用径向基神经网络对心电图信号建模,沿着心电图ST-T段的轨迹生成三维可视化动力学图。心电动力学图在心肌缺血辅助诊断上已经得到初步的临床验证,为心肌缺血早期辅助诊断提供了工程上的新方法。基于心电动力学图在心肌缺血辅助诊断上的应用,本文对心电动力学图进行了动态特征提取及其系统设计和实现,并通过实验对其在运动训练负荷监测上进行了探索和研究。本文重点介绍了心电动力学图特征提取算法的实现以及心电动力学图系统的设计与实现工作。在动态特征提取方面,本文基于确定学习理论和LZ复杂度算法,提取了心电动力学图的时间离散度、空间离散度、时间复杂度和空间复杂度特征,并基于C++开发语言,实现了高性能的计算算法。在心电动力学图系统设计与实现方面,本文基于MFC编程框架,实现了环境友好、简洁的心电动力学图系统,为心电动力学图在实际应用上奠定了工程基础。最后通过实验,进行了心电动力学图的各项动态特征在运动训练负荷监测上的有效性探索研究,得到了初步的结论。
易侃[10]（2018）在《乘用车自适应巡航系统测试与评价研究》文中研究指明自适应巡航系统（Adaptive Cruise Control System,ACC）因其能实现对自车速度和车间距离的自适应控制,极大的减轻了驾驶员的驾驶负担和疲劳感,同时降低了人为因素引发交通事故的机率,具有提高行车安全性、驾乘舒适度和道路通行能力的优势,进而逐渐被人们所接受。ACC系统性能的测试与评价在ACC产品研发过程中占据重要地位,国际标准化组织和第三方检测机构针对ACC系统的性能评价提出了相应的测试标准,但这些标准多是客观评价方法,即通过汽车动力学性能反映ACC系统性能,忽视了驾驶员在ACC驾驶过程中仍占主导作用的事实,对驾驶员的主观感受未做考虑。随着人们对ACC系统驾驶体验感要求的日益提高,研发人员逐渐开始注重ACC系统的主观评价方法研究,目前多以常规主观评价为主,即由该领域专家依靠个人知识和经验对系统进行评价,主观随意性比较大,测试可重复性比较低。国外有学者通过结合多学科领域提出了新的研究思路,但没有形成统一的测试评价理论体系。本文针对ACC驾驶过程中驾驶员与ACC系统长期共存的特性,提出了以被试驾驶员为评价对象,通过驾驶员驾驶ACC车辆时测得的系统客观指标参数和驾驶员主观指标参数,从安全性和接受性两个角度来评价系统性能的主客观综合评价方法。在测试方法方面,建立了一套表征ACC安全性和接受性的指标体系,提出了表征指标的采集方法和测试工况。在客观测试上,从ACC系统动力学性能方面进行参数提取,根据TTC和Htm指标提出了碰撞冲突综合评价指标CI,实验结果表明碰撞冲突指标CI能很好的兼顾TTC和Htm的评价性能,还对制动性能安全性、加速跟车安全性和弯道跟随安全性进行了分析并提取相应的表征指标;在主观测试上,建立了驾驶员感知评价体系和驾驶员精神负荷评价模型,运用统计学方法对驾驶后问卷进行分析得到驾驶员感知评价的因子综合得分,对驾驶员心率变异性（HRV）进行了分析,得到HRV时域、频域、非线性评价指标,运用支持向量机原理（SVM）建立了精神负荷评价模型并通过ROC曲线和AUC值对模型进行评价,实验数据分析表明,随着精神负荷的增加,HRV个评价指标变化明显,且最终建立的SVM模型分类正确率达到77.6042%,ROC曲线分布在左上部,且AUC值达到0.73,模型分类性能良好。在评价体系方面,以被试驾驶员为评价对象,以表征安全性和接受性的各项指标为依据,对不同评价结果与正理想解的相对贴近度进行决策排序,并通过归一化的贴近度概率密度分布情况反映ACC系统在安全性和接受性上的总体表现。其中在各项指标权重的确定上,本文采用主客观赋权相结合的方法,主观上采用层次分析法对各级指标进行赋权,客观上采用熵权法对第三级子指标进行赋权,然后基于博弈论的方法实现了主客观权值的组合赋权;在决策模型上采用TOPSIS的方法得出该方案与正理想解的相对贴近度,并以此为依据进行决策排序。评价结果表明,参与本次测试的被试驾驶员综合得分呈略微正偏态分布,偏度值Sk=0.2391>0,表明该款ACC系统综合性能表现一般,与其在市场上的销售情况相匹配,验证了本文提出的测试方法与评价体系的可靠性,可用于对ACC系统的综合评价。
二、基于MATLAB的心电信号二值化算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于MATLAB的心电信号二值化算法（论文提纲范文）
（1）基于机器视觉的平行度及光学面形检测（论文提纲范文）
| 中文摘要 |
| Abstract |
| 中文文摘 |
| 第一章 绪论 |
| 1.1 光学元件面形概述 |
| 1.1.1 光学平行度概述 |
| 1.1.2 面形偏差检测概述 |
| 1.2 机器视觉与图像处理概述 |
| 1.3 Matlab与 Visual Studio概述 |
| 1.4 课题背景及选题意义 |
| 1.4.1 课题背景 |
| 1.4.2 选题意义 |
| 1.5 本研究主要内容 |
| 1.5.1 基于图像分割的自准直法 |
| 1.5.2 基于差分阈值法的图像预处理算法 |
| 1.5.3 基于邻域追踪的干涉条纹检测算法 |
| 第二章 光学平板的平行度检测 |
| 2.1 本章引言 |
| 2.2 自准直法测量实验原理 |
| 2.3 MATLAB仿真实验 |
| 2.3.1 基于实验图像的数据模拟 |
| 2.3.2 基于图像分割的仿真实验 |
| 2.3.3 仿真实验分析 |
| 2.4 自准直仪实验 |
| 2.4.1 光路设计与搭建 |
| 2.4.2 基于图像分割算法的检测 |
| 2.5 本章小结 |
| 第三章 激光干涉仪与光学面形检测 |
| 3.1 本章引言 |
| 3.2 激光干涉实验原理 |
| 3.2.1 激光的干涉叠加原理 |
| 3.2.2 激光的薄膜干涉原理 |
| 3.2.3 泰曼干涉仪与斐索干涉仪 |
| 3.2.4 光学面形偏差参数 |
| 3.2.5 人工检测面形方法 |
| 3.3 图像预处理 |
| 3.3.1 双边滤波 |
| 3.3.2 图像增强处理 |
| 3.3.3 基于差分阈值法的二值化 |
| 3.4 干涉条纹骨架提取 |
| 3.4.1 阈值孔洞填充 |
| 3.4.2 条纹细化算法 |
| 3.4.3 毛刺去除和断点修补算法 |
| 3.5 干涉条纹级次标定 |
| 3.6 本章小结 |
| 第四章 图像精度分析与鬼像处理方案 |
| 4.1 本章引言 |
| 4.2 精度分析 |
| 4.2.1 算法原理及步骤 |
| 4.2.2 精度处理结果 |
| 4.3 鬼像处理方案 |
| 4.3.1 算法原理及步骤 |
| 4.3.2 鬼像处理结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 课题总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间承担的主要任务和成果 |
| 1 主要科研任务 |
| 2 发表论文 |
| 致谢 |
| 个人简历 |
（2）基于超宽带雷达的生命体征检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及存在问题 |
| 1.3 论文主要研究内容 |
| 第2章 生命体征检测的基本理论 |
| 2.1 生命体征指标 |
| 2.2 生命体征检测方式 |
| 2.2.1 接触式体征测量 |
| 2.2.2 非接触式体征测量 |
| 2.3 超宽带技术 |
| 2.3.1 超宽带技术的基本概念 |
| 2.3.2 超宽带技术的优势 |
| 2.4 超宽带雷达生命体征检测 |
| 2.4.1 超宽带雷达检测原理 |
| 2.4.2 回波信号建模与分析 |
| 2.5 本章小结 |
| 第3章 单目标的生命体征检测算法 |
| 3.1 信号处理方法 |
| 3.1.1 静止杂波滤除 |
| 3.1.2 生命体征增强 |
| 3.2 体表振动信号提取 |
| 3.2.1 距离门选择 |
| 3.2.2 轨迹捕捉 |
| 3.3 基于N次峰值捕捉的单目标体征检测 |
| 3.3.1 N次迭代的峰值捕捉算法 |
| 3.3.2 基于N次峰值捕捉的单目标体征检测 |
| 3.4 算法仿真实现 |
| 3.4.1 静止目标体征检测仿真 |
| 3.4.2 微动目标体征检测仿真 |
| 3.4.3 检测误差分析 |
| 3.4.4 不同信噪比下的体征检测准确度 |
| 3.5 本章小结 |
| 第4章 多目标的生命体征检测算法 |
| 4.1 基于一维距离聚类的多目标体征检测 |
| 4.1.1 能量信号预处理 |
| 4.1.2 一维聚类 |
| 4.2 基于距离频率聚类的多目标体征检测 |
| 4.2.1 频域预处理 |
| 4.2.2 二维聚类 |
| 4.3 算法仿真实现 |
| 4.3.1 不同位置的多目标体征检测 |
| 4.3.2 同一位置的多目标体征检测 |
| 4.3.3 检测误差分析 |
| 4.4 本章小结 |
| 总结与展望 |
| 1 总结 |
| 2 展望 |
| 参考文献 |
| 附录 (攻读学位期间发表的论文) |
| 致谢 |
（3）基于APSOC的CNN优化设计在先心病分类研究中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 本文专业词汇及缩略语一览表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究背景 |
| 1.1.3 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本课题主要工作 |
| 1.4 本文创新点 |
| 1.5 本文的结构安排 |
| 第二章 心音与先心病的诊断概述 |
| 2.1 先心病的临床诊断 |
| 2.2 心音概述 |
| 2.2.1 心音的介绍 |
| 2.2.2 心音数据库 |
| 2.3 心音数据的分析 |
| 2.3.1 心音数据的分割 |
| 2.3.2 心音分类算法 |
| 2.4 基于CNN的心音分类设计 |
| 2.4.1 卷积神经网络概述 |
| 2.4.2 数据格式说明 |
| 2.4.3 CNN的PC端实现 |
| 2.4.4 模型参数的提取 |
| 2.5 本章小结 |
| 第三章 卷积神经网络并行性分析 |
| 3.1 CNN算法的硬件实现与硬件加速策略 |
| 3.2 FPGA的缓冲策略 |
| 3.2.1 FPGA的二维卷积 |
| 3.2.2 全缓冲策略 |
| 3.2.3 局部缓冲策略 |
| 3.3 定点量化 |
| 3.3.1 二值神经网络 |
| 3.3.2 三值神经网络 |
| 3.4 隐藏层并行性分析 |
| 3.4.1 动态可配置架构 |
| 3.4.2 隐藏层并行运算分析 |
| 3.5 本章小结 |
| 第四章 APSOC的全局部署方案 |
| 4.1 系统需求分析与硬件架构选择 |
| 4.1.1 系统需求分析 |
| 4.1.2 硬件架构选择 |
| 4.1.3 APSOC平台介绍 |
| 4.2 APSOC软硬件部署 |
| 4.2.1 PS端采集程序设计 |
| 4.2.2 PL端算法硬件加速设计 |
| 4.2.3 PS+PL异构部署 |
| 4.3 本章小结 |
| 第五章 基于Zedboard异构部署CNN分类心音信号 |
| 5.1 HLS预编译CNN |
| 5.1.1 HLS约束说明 |
| 5.1.2 CNN加速器的HLS预编译 |
| 5.2 IP加速器设计与实现 |
| 5.2.1 CNNIP硬核的设计 |
| 5.2.2 CNNIP核的验证 |
| 5.3 SDSoC全局部署CNN |
| 5.3.1 软硬件规划 |
| 5.3.2 主体设计 |
| 5.3.3 添加HLS约束的全局部署 |
| 5.4 本章小结 |
| 第六章 APSOC软硬件联合优化调试与分析 |
| 6.1 实验设置 |
| 6.2 实验结果 |
| 6.2.1 数据采集效果 |
| 6.2.2 无FPGA加速CNN的分类效果 |
| 6.2.3 FPGA加速CNN单个卷积层的分类效果 |
| 6.2.4 FPGA加速CNN两个卷积层的分类效果 |
| 6.2.5 FPGA加速CNN三个卷积层的分类效果 |
| 6.3 结果分析 |
| 6.3.1 硬件资源报告分析 |
| 6.3.2 心音分类准确率分析 |
| 6.3.3 时间消耗分析 |
| 6.3.4 APSOC-Zedboard最佳部署 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 攻读硕士期间完成的科研成果 |
| 致谢 |
（4）鲁棒性心电信号身份识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文的组织结构 |
| 第2章 心电身份识别相关技术基础 |
| 2.1 引言 |
| 2.2 心电身份识别数据源 |
| 2.3 心电信号预处理技术 |
| 2.3.1 心电去噪算法 |
| 2.3.2 心电基准点检测算法 |
| 2.3.3 心电信号分割 |
| 2.4 投票策略 |
| 2.5 本章小结 |
| 第3章 基于时-频域自编码的心电身份识别 |
| 3.1 引言 |
| 3.2 离散小波变换 |
| 3.2.1 离散小波变换定义 |
| 3.2.2 离散小波变换时-频分解性质 |
| 3.3 自编码网络 |
| 3.3.1 网络结构 |
| 3.3.2 稀疏性限制 |
| 3.4 算法流程 |
| 3.4.1 心电信号预处理 |
| 3.4.2 特征选择 |
| 3.4.3 特征学习与分类 |
| 3.5 身份识别性能分析 |
| 3.5.1 实验数据设置 |
| 3.5.2 实验与评估指标设置 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第4章 面向心率变化的无去噪心电身份识别算法研究 |
| 4.1 引言 |
| 4.2 PCANet网络 |
| 4.3 支持向量机 |
| 4.4 算法流程 |
| 4.4.1 心电信号预处理 |
| 4.4.2 特征提取 |
| 4.4.3 分类 |
| 4.5 身份识别性能分析 |
| 4.5.1 实验数据设置 |
| 4.5.2 实验与评估指标设置 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 基于窗口组合特征的心电身份识别算法 |
| 5.1 引言 |
| 5.2 自相关/离散余弦变换 |
| 5.2.1 自相关函数 |
| 5.2.2 离散余弦变换 |
| 5.3 算法流程 |
| 5.3.1 心电信号预处理 |
| 5.3.2 特征提取 |
| 5.3.3 分类 |
| 5.4 身份识别性能分析 |
| 5.4.1 实验数据设置 |
| 5.4.2 实验与评估指标设置 |
| 5.4.3 实验结果与分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 作者简介及在学期间的科研成果、项目经历 |
| 致谢 |
（5）基于智能手机摄像的脉搏波重建及心率变异性监测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 论文主要研究工作及结构 |
| 1.4 本章小结 |
| 第2章 相关理论介绍 |
| 2.1 光电容积脉搏波描记法(PPG)简介 |
| 2.2 心率变异性(HRV)简介 |
| 2.3 帧间差分法 |
| 2.4 滤波算法 |
| 2.4.1 切比雪夫滤波器 |
| 2.4.2 自适应Notch陷波滤波器 |
| 2.5 本章小结 |
| 第3章 指尖视频重建脉搏波及心率变异性分析 |
| 3.1 采集指尖视频信号 |
| 3.2 选择视频通道 |
| 3.3 利用帧间差分法获取兴趣区 |
| 3.4 对兴趣区内像素间隔取样 |
| 3.5 对重建的脉搏波滤波处理 |
| 3.6 脉搏波特征点提取 |
| 3.7 心率变异性分析 |
| 3.8 心率变异性参数相关性分析介绍 |
| 3.9 本章小结 |
| 第4章 实验数据采集及分析 |
| 4.1 实验设备与数据集 |
| 4.2 实验数据采集 |
| 4.3 实验结果对比及分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间的研究成果 |
（6）基于心电向量图非线性动力学特征的心肌梗塞诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于心电图的心肌梗塞检测现状 |
| 1.2.2 基于心电向量图的心肌梗塞检测现状 |
| 1.3 主要研究内容与创新点 |
| 1.4 本文章节安排 |
| 2 预备知识 |
| 2.1 心肌梗塞(MI)概述 |
| 2.2 心电图(ECG) |
| 2.3 心电向量图(VCG) |
| 2.4 心电向量图与心电图的关联 |
| 2.5 PTB数据库 |
| 2.6 本章小结 |
| 3 基于心电向量图的非线性动力学特征研究 |
| 3.1 引言 |
| 3.2 心电向量图信号预处理 |
| 3.2.1 中值滤波器 |
| 3.2.2 小波滤波器 |
| 3.3 心电向量图的非线性动力学分析 |
| 3.3.1 庞加莱(Poincare)截面法 |
| 3.3.2 主成分分析法 |
| 3.3.3 功率谱分析法 |
| 3.4 基于心电向量图的非线性动力学特征提取 |
| 3.4.1 熵值特征 |
| 3.4.2 复杂度特征 |
| 3.4.3 延迟时间和嵌入维数 |
| 3.4.4 最大Lyapunov指数 |
| 3.4.5 Kolmogorov熵和关联维数 |
| 3.5 本章小结 |
| 4 基于非线性动力学特征的融合与分类的MI诊断 |
| 4.1 引言 |
| 4.2 基于支持向量机的非线性动力学特征分类 |
| 4.2.1 支持向量机(SVM) |
| 4.2.2 支持向量机的超平面求解 |
| 4.2.3 粒子群优化算法(PSO) |
| 4.2.4 单类特征的支持向量机分类器分类 |
| 4.3 基于特征融合的非线性动力学特征分类 |
| 4.4 基于多分类器的非线性动力学特征分类 |
| 4.4.1 K近邻算法(KNN) |
| 4.4.2 朴素贝叶斯算法 |
| 4.4.3 随机森林算法 |
| 4.4.4 集成学习-AdaBoostM1算法 |
| 4.4.5 决策融合 |
| 4.5 本章小结 |
| 5 心电向量图非线性动力学在线分析系统 |
| 5.1 引言 |
| 5.2 开发工具的介绍 |
| 5.2.1 基本硬件组成 |
| 5.2.2 MATLAB GUI |
| 5.3 心电向量图非线性动力学在线分析系统 |
| 5.3.1 系统的功能需求 |
| 5.3.2 系统的整体框架 |
| 5.3.3 系统的窗口体系 |
| 5.4 心电向量图非线性动力学在线采集模块 |
| 5.4.1 硬件采集的原理 |
| 5.4.2 采集模块的软件设计 |
| 5.4.3 采集模块的系统实现 |
| 5.5 心电向量图非线性动力学分析模块 |
| 5.5.1 分析模块的软件设计 |
| 5.5.2 分析模块的系统实现 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间发表的学术论文及参加的科研项目 |
（7）基于图像处理的值班人员鉴权与疲劳识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸检测技术研究现状 |
| 1.2.2 人脸识别技术研究现状 |
| 1.2.3 基于图像的疲劳检测技术研究现状 |
| 1.3 论文工作和结构安排 |
| 第二章 基于图像处理的人脸识别相关理论 |
| 2.1 卷积神经网络相关理论 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 激活函数 |
| 2.1.4 全连接层 |
| 2.2 人脸检测方法概述 |
| 2.2.1 基于知识的方法 |
| 2.2.2 基于特征的方法 |
| 2.2.3 基于模板匹配的方法 |
| 2.2.4 基于统计模型的方法 |
| 2.3 基于多任务卷积神经网络(MTCNN)的人脸检测 |
| 2.3.1 基于MTCNN的人脸检测与对齐模型 |
| 2.3.2 基于MTCNN的人脸检测与对齐算法 |
| 2.3.3 基于MTCNN的人脸检测实验仿真 |
| 2.4 本章小结 |
| 第三章 基于图像处理的人脸识别 |
| 3.1 常见的神经网络模型 |
| 3.1.1 AlexNet |
| 3.1.2 VggNet |
| 3.1.3 Inception |
| 3.1.4 ResNet |
| 3.2 基于卷积神经网络的人脸识别算法 |
| 3.2.1 VGG-16模型的简化 |
| 3.2.2 损失函数的设计 |
| 3.2.3 相似性度量 |
| 3.3 人脸识别的训练与测试 |
| 3.3.1 公开的人脸数据集 |
| 3.3.2 模型训练与测试过程 |
| 3.4 实验结果分析 |
| 3.4.1 损失函数参数λ的选取 |
| 3.4.2 人脸识别算法对比 |
| 3.5 本章小结 |
| 第四章 视频图像中人脸疲倦的识别 |
| 4.1 基于二值化图像面积法的人眼状态识别方法 |
| 4.1.1 常见的人眼状态识别方法 |
| 4.1.2 基于二值化图像面积法的人眼状态提取 |
| 4.2 疲劳状态参数提取 |
| 4.2.1 PERCLOS测量原理 |
| 4.2.2 眨眼频率 |
| 4.2.3 嘴部疲劳参数PMRCLOS的提取 |
| 4.3 基于眼部和嘴部的疲劳状态仿真实验 |
| 4.3.1 基于眼部和嘴部的疲劳状态算法思路 |
| 4.3.2 测试结果分析 |
| 4.4 本章小结 |
| 第五章 基于视频图像的值班人员鉴权与疲劳识别 |
| 5.1 系统实现功能与核心模块介绍 |
| 5.1.1 系统实现功能及流程 |
| 5.1.2 系统的核心模块 |
| 5.2 系统开发与设计 |
| 5.2.1 系统开发软硬件环境 |
| 5.2.2 客户端界面设计 |
| 5.3 系统测试结果与分析 |
| 5.3.1 基于人脸视频的鉴权测试结果与分析 |
| 5.3.2 基于人脸视频的疲倦识别测试结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
（8）面向脑机接口的多模态认知隐藏信息特征检测与识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 隐藏信息检测方法概述 |
| 1.2.1 多导测试仪概述 |
| 1.2.2 隐藏信息检测的测试范式设置 |
| 1.2.3 隐藏信息检测的替代技术 |
| 1.3 国内外研究现状及发展 |
| 1.3.1 面向脑机接口的隐藏信息检测的提出 |
| 1.3.2 脑机接口CIT系统中EEG特征及识别研究现状 |
| 1.3.3 全脑区成像分析应用于CIT研究 |
| 1.3.4 国内研究现状及发展 |
| 1.4 本论文的研究目的及内容 |
| 1.5 本论文组织结构及技术路线 |
| 第2章 脑机接口CIT系统中EEG时-频-空域特征 |
| 2.1 引言 |
| 2.2 脑机接口CIT系统的构成 |
| 2.3 脑电信号基本特征及其研究方法 |
| 2.3.1 大脑基本分区及其对应的功能 |
| 2.3.2 脑电信号及其采集 |
| 2.3.3 脑电信号节律 |
| 2.3.4 事件相关脑电位 |
| 2.4 面向脑机接口的视觉CIT实验分析 |
| 2.4.1 实验设计 |
| 2.4.2 脑机接口CIT实验平台 |
| 2.4.3 数据预处理 |
| 2.5 隐藏信息检测的时频域分析 |
| 2.5.1 基本时频分析及结果 |
| 2.5.2 基于P300幅值几何差的检测方法 |
| 2.6 隐藏信息检测中空间网络结构关键节点特征分析 |
| 2.6.1 基于H指数的非线性相互依赖分析方法 |
| 2.6.2 基于H指数的空间网络连接分析 |
| 2.6.3 基于空间网络拓扑结构关键节点特征的识别方法分析 |
| 2.7 本章小结 |
| 第3章 基于EEG二值功能网络及SVM的隐藏信息检测 |
| 3.1 引言 |
| 3.2 基于图论的复杂网络理论 |
| 3.2.1 复杂网络概述 |
| 3.2.2 复杂网络基本概念 |
| 3.2.3 复杂网络基本模型 |
| 3.3 脑结构网络和脑功能网络 |
| 3.4 面向脑机接口的视觉和听觉CIT实验分析 |
| 3.4.1 实验设计 |
| 3.4.2 数据预处理 |
| 3.5 基于二值网络和SVM的检测与识别方法分析 |
| 3.5.1 脑功能网络的构建 |
| 3.5.2 脑功能网络的二值化 |
| 3.5.3 二值网络特征参数分析 |
| 3.5.4 支持向量机模式分类 |
| 3.6 本章小结 |
| 第4章 基于EEG加权功能网络及QNN的隐藏信息检测 |
| 4.1 引言 |
| 4.2 脑加权功能网络特征量 |
| 4.2.1 基本特征量 |
| 4.2.2 同配系数 |
| 4.2.3 传递性 |
| 4.3 基于相位延迟指数的加权网络构建方法 |
| 4.4 面向脑机接口的视听同步隐藏信息检测实验 |
| 4.4.1 实验设计 |
| 4.4.2 实验记录和数据预处理 |
| 4.5 基于加权网络特征的量子神经网络检测分析 |
| 4.5.1 脑加权网络的构建 |
| 4.5.2 脑加权网络特征参数分析 |
| 4.5.3 基于全局特征熵的全脑信号复杂度分析 |
| 4.5.4 基于遗传算法的脑电信号特征量优化 |
| 4.5.5 QNN分类器的构建及加权网络特征量的分类识别 |
| 4.6 本章小结 |
| 第5章 基于EEG有向功能网络连接的隐藏信息特征分析 |
| 5.1 引言 |
| 5.2 有向功能网络的构建方法 |
| 5.2.1 线性格兰杰因果 |
| 5.2.2 定向相干性 |
| 5.2.3 偏定向相干分析 |
| 5.2.4 直接传递函数分析 |
| 5.2.5 传递熵 |
| 5.3 有向功能网络特征参数 |
| 5.4 熟人和陌生人信息诱发有向功能网络连接分析 |
| 5.5 本章小结 |
| 第6章 脑机接口CIT系统中脑功能网络构建方法对比分析 |
| 6.1 引言 |
| 6.2 相互依赖关系分析方法 |
| 6.2.1 互相关函数 |
| 6.2.2 相干函数 |
| 6.2.3 互信息 |
| 6.2.4 相位同步 |
| 6.3 应用于隐藏信息检测分析 |
| 6.4 综合讨论 |
| 6.5 本章小结 |
| 第7章 面向脑机接口的视觉刺激和触觉反馈的CIT系统分析 |
| 7.1 引言 |
| 7.2 单向感知的多稳态触觉刺激实验 |
| 7.2.1 实验简介 |
| 7.2.2 实验设计 |
| 7.2.3 数据处理和结果讨论 |
| 7.3 存在感知反馈的邻近阈值触觉刺激实验 |
| 7.3.1 实验简介 |
| 7.3.2 实验设计 |
| 7.3.3 数据处理和结果讨论 |
| 7.4 基于视觉刺激和触觉反馈的CIT实验分析 |
| 7.4.1 实验系统构成 |
| 7.4.2 实验分析 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 本文主要工作及创新点 |
| 8.1.1 主要工程总结 |
| 8.1.2 主要创新点 |
| 8.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读博士期间取得的学术成果 |
| 攻读博士期间参与的科研项目 |
| 作者从事科学研究和学习经历简历 |
（9）基于心电动力学图的动态特征提取及其在运动训练上的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 心电信号在心肌缺血诊断上的研究现状 |
| 1.2.2 非线性系统的特征提取方法研究现状 |
| 1.2.3 运动训练负荷分析研究现状 |
| 1.3 本文内容及结构 |
| 第二章 预备知识 |
| 2.1 引言 |
| 2.2 心电信号有关知识 |
| 2.3 确定学习理论 |
| 2.3.1 径向基神经网络 |
| 2.3.2 径向基神经网络的PE性质 |
| 2.3.3 离散系统的确定学习 |
| 2.4 Lempel-Ziv复杂度算法 |
| 2.5 本章小结 |
| 第三章 心电动力学图特征提取及其实现 |
| 3.1 引言 |
| 3.2 基于确定学习理论的心电动力学图建模 |
| 3.3 心电动力学图特征提取 |
| 3.3.1 时间离散度与空间离散度特征提取 |
| 3.3.2 时间复杂度与空间复杂度特征提取 |
| 3.4 特征提取算法C++实现 |
| 3.4.1 开发工具介绍 |
| 3.4.2 特征提取算法流程图设计 |
| 3.4.3 特征提取算法C++实现 |
| 3.5 本章小结 |
| 第四章 心电动力学图系统设计与实现 |
| 4.1 引言 |
| 4.2 开发工具介绍 |
| 4.3 系统整体设计与实现 |
| 4.3.1 系统功能需求分析 |
| 4.3.2 系统功能整体流程图设计 |
| 4.3.3 数据采集与预处理设计与实现 |
| 4.3.4 数据的批量转换接口设计与实现 |
| 4.3.5 数据分析子系统设计与实现 |
| 4.4 心电动力学图系统实验分析 |
| 4.5 本章小结 |
| 第五章 心电动力学图在运动训练分析上的研究 |
| 5.1 引言 |
| 5.2 肌酸激酶与高明肌钙蛋白介绍 |
| 5.3 心电动力学图特征在运动训练上的研究实验 |
| 5.3.1 实验目的 |
| 5.3.2 实验方案设计 |
| 5.3.3 数据采集 |
| 5.3.4 特征提取及其实验分析 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（10）乘用车自适应巡航系统测试与评价研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 ACC系统概述 |
| 1.2.1 ACC系统的功能 |
| 1.2.2 ACC系统的组成和架构 |
| 1.3 研究现状及发展趋势 |
| 1.3.1 测试标准及测试场地 |
| 1.3.2 测试方法及评价体系 |
| 1.4 论文研究思路及内容 |
| 1.4.1 目前ACC系统测试与评价存在的问题 |
| 1.4.2 论文研究思路 |
| 1.4.3 论文框架设计 |
| 第二章 ACC系统测试需求分析及测试方法 |
| 2.1 测试场景和测试工况 |
| 2.1.1 ACC系统的功能盲区 |
| 2.1.2 制订测试标准的需求 |
| 2.1.3 实验测试场景及工况获取 |
| 2.2 道路实车路试方法及数据采集 |
| 2.2.1 试验路线的选取 |
| 2.2.2 试验干扰因素的排除 |
| 2.2.3 试验对象的管理 |
| 2.2.4 试验车辆及数据采集系统 |
| 2.2.5 试验方案的组织 |
| 2.2.6 试验的数据集 |
| 2.3 场地试验方法及数据采集 |
| 2.3.1 试验说明 |
| 2.3.2 试验方案的组织 |
| 2.3.3 试验测试工况的实施 |
| 2.3.4 试验的数据集 |
| 2.4 本章小结 |
| 第三章 ACC系统安全性评价表征方法 |
| 3.1 碰撞冲突的安全性分析 |
| 3.1.1 碰撞概率检测指标 |
| 3.1.2 碰撞程度检测指标 |
| 3.1.3 碰撞冲突的统一评价指标 |
| 3.2 制动性能的安全性分析 |
| 3.2.1 系统自动制动安全性分析 |
| 3.2.2 人为干预制动安全性分析 |
| 3.3 加速跟车的安全性分析 |
| 3.3.1 自适应加速安全性分析 |
| 3.3.2 油门超控加速安全性分析 |
| 3.4 弯道跟车的安全性分析 |
| 3.5 本章小结 |
| 第四章 ACC系统接受性评价表征方法 |
| 4.1 驾驶员的感知与评价 |
| 4.1.1 问卷的初步建立 |
| 4.1.2 问卷的分析方法 |
| 4.1.3 驾驶员感知的综合评价 |
| 4.2 驾驶员精神负荷评价 |
| 4.2.1 基于精神负荷的安全性分析 |
| 4.2.2 精神负荷的评价方法 |
| 4.2.3 生理参数指标变化规律分析 |
| 4.2.4 驾驶员精神负荷的评价模型 |
| 4.3 本章小结 |
| 第五章 ACC系统多属性综合评价方法及应用 |
| 5.1 指标权重的确定 |
| 5.1.1 层次分析法 |
| 5.1.2 熵权法 |
| 5.1.3 组合赋权法 |
| 5.2 决策模型的建立 |
| 5.3 评价结果的分析 |
| 5.4 本章小结 |
| 第六章 全文总结及展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录1 ACC驾驶后问卷 |
| 在学期间发表的论文和取得的学术成果 |
四、基于MATLAB的心电信号二值化算法（论文参考文献）
- [1]基于机器视觉的平行度及光学面形检测[D]. 梅启升. 福建师范大学, 2020(12)
- [2]基于超宽带雷达的生命体征检测算法研究[D]. 杨国成. 湖南师范大学, 2020(01)
- [3]基于APSOC的CNN优化设计在先心病分类研究中的应用[D]. 张强. 云南大学, 2020
- [4]鲁棒性心电信号身份识别算法研究[D]. 王迪. 吉林大学, 2020(08)
- [5]基于智能手机摄像的脉搏波重建及心率变异性监测[D]. 高明慧. 中国科学院大学(中国科学院深圳先进技术研究院), 2020(07)
- [6]基于心电向量图非线性动力学特征的心肌梗塞诊断研究[D]. 王丹俐. 杭州电子科技大学, 2020(04)
- [7]基于图像处理的值班人员鉴权与疲劳识别研究[D]. 孟金慧. 华中师范大学, 2020(01)
- [8]面向脑机接口的多模态认知隐藏信息特征检测与识别研究[D]. 常文文. 东北大学, 2019
- [9]基于心电动力学图的动态特征提取及其在运动训练上的应用研究[D]. 曾强. 华南理工大学, 2019(02)
- [10]乘用车自适应巡航系统测试与评价研究[D]. 易侃. 重庆交通大学, 2018(05)