论文部分内容阅读
随着我国经济的快速发展和人民生活节奏的加快,空气污染问题日益加剧,肥胖和高血压的发病率增加,呼吸系统疾病已经成为了阻碍人们正常生活的困扰,呼吸疾病的检测和诊断成为了当前临床医学的研究热点。常规呼吸疾病测量方法需要进行专业操作,容易引起人体不适,不能进行长时间的监测;而基于射频传感器的非接触式测量可以克服以上缺点,并且相较于其他非接触式测量手段还有着不易受环境干扰、精度高等优点,能够方便、快捷地进行呼吸疾病的监测。本文采用基于射频传感器的非接触方式来对呼吸信号进行监测,并基于FPGA开发平台实现了呼吸信号的提取和呼吸特征的提取,最后通过基于FPGA和DSP开发平台的机器学习分类模型完成了正常呼吸与五种异常呼吸模式的分类,得到了较好的效果。论文主要研究工作有以下几点:1、介绍了基于射频传感器的呼吸异常辨识系统,并对本系统所用的Xilinx Virtex 6FPGA和TI 6678 DSP开发平台进行介绍。2、设计了呼吸信号预处理和特征提取的FPGA实现。基于Xilinx Virtex 6平台设计和实现了数字中频模块和预处理模块,从雷达回波中提取出呼吸信号;然后研究了呼吸信号的时域和频域特征,并基于Xilinx Virtex 6实现了呼吸信号特征提取,通过网口通信实现Xilinx Virtex 6和TI 6678之间的数据传输。3、研究了基于机器学习的呼吸异常的辨识及其实现。研究k近邻分类算法、线性支持向量机算法和随机森林算法的原理,并基于Matlab分析三种算法的性能及完成后两种算法的训练,基于Xilinx Virtex 6实现了k近邻分类算法,基于TI 6678实现了通过Matlab训练得到的线性支持向量机算法和随机森林算法。4、设计实验并分析实验结果。设计了实验室环境下的人体实测实验,构建呼吸模式数据库;进行了k近邻分类算法、线性支持向量机算法和随机森林算法的性能分析,实验结果表明k近邻分类算法的分类准确率为73%,线性支持向量机算法的分类准确率为75.6%,随机森林算法的分类准确率为76.8%;然后,对k近邻分类算法、线性支持向量机算法和随机森林算法采用决策级融合算法,融合后的分类准确率为78.2%;最后,针对潮式异常呼吸、潮式变体异常呼吸与节律障碍型异常呼吸混淆率过高的问题,基于呼吸信号频域特征提取算法进行呼吸暂停检测的优化,并针对实际实验要求,基于呼吸信号时域特征提取算法进行了体动剔除的优化,优化后总分类正确率可达到83.2%。