基于多传感器数据融合的跌倒检测算法

目的跌倒在老年人生活中是一种常见的现象,是致使老年人发病和死亡的主要原因之一。实时的跌倒检测系统能够及时报警,缩短等待救治的时间,减少由跌倒引起的意外伤害。可是,在大多数的跌倒检测系统中,人们仅利用加速度计设计检测系统,基于单一数据的算法不能完整表征跌倒时身体姿态变化的信息。为此本文拟采用陀螺仪和加速度计的数据设计跌倒检测的算法。方法首先介绍了利用MEMS惯性传感器设计置于腰间的可穿戴的跌倒检测系统,然后对跌倒的规律进行了分析,基于此提出了基于多传感器数据融合的跌倒检测算法,即通过数据融合的技术提取出身体加速度及其动态量和静态量、加速度变化量、身体姿态角、角速度绝对值之和等特征参数,利用多参数设计了基于阈值判定的跌倒检测算法。结果收集10名志愿者做模拟跌倒以及日常活动的数据,对算法的有效性进行验证,取得96.67%的灵敏度和97%的特异性,并且此指标高于Kagans等算法的结果。结论本文提出的算法在跌倒检测中具有较好的有效性及优点。     

一种基于加速度与表面肌电信息融合和统计语言模型的连续手语识别方法

加速计(ACC)和表面肌电(SEMG)传感器是两种有效轻便的手势捕获设备.本研究提出一种采用多级决策树融合ACC和SEMG信息识别手语词根,并引入统计语言模型进行词根接续判断和错误纠正的中国手语连续语句识别方法.对包含有120个词根的200组连续中国手语句子展开的识别实验结果表明,该方法可以有效的从连续信号中识别出词根序列,120个手语词根全局平均识别率接近95%,句子识别率接近90%,采用纠错模型的方法与未采用纠错模型相比,词根的平均识别率提高了4%左右,句子识别率提高了10%.这种结合模式识别和自然语言处理的手语识别方法在连续手语识别和人机交互领域有着广阔的应用前景.     

多源信息融合在医学领域的应用研究

近年来，随着传感器性能的提高、信息处理技术的发展，面向各种复杂应用背景的多传感器系统大量涌现。在多传感器系统中，系统的信息来自于多个传感器，在信息处理的过程中多源信息表现形式的多样性，信息关系的复杂性，信息数量的巨大性，以及要求信息处理的及时性，都已大大超出了人脑的信息综合处理能力。为此，从20世纪70年代初期开始，多传感器信息融合（Multisensor Information Fusion）技术作为一门新兴的学科迅速发展起来，并在现代医学领域和各种其它民用领域得到广泛地应用。     

传感器信息融合技术及其在生物医学检测中的应用

多传感器信息融合是指将经过集成处理的多传感器信息进行合成，形成对外部环境某一特征和一种表达方式，经过集成与融合的多传感器信息能完善地，精确地反映环境特征，本文从传感器模型，多传感器集成系统模型和框架，多传感器集成系统的控制结构，信息融合的层次和方法等方面对多传感器信息融合技术进行了综述，列举了该技术具体应用的几个实例，并指出春在疾病诊断，人工味觉和嗅沉检测等生物医学检测中的应用。     

基于肌电信号与肌肉形变信号的手语识别

针对手语手势识别问题,提出一种基于肌电信号与肌肉形变信号的手语识别架构。首先,设计信号采集系统;然后,采集肌电信号与肌肉形变信号,利用滤波及小波降噪等方法对原始数据进行降噪处理。采用基于能熵比的双门限端点检测法提取信号有效活动段;分别提取肌电信号以及肌肉形变信号特征,将所提取的信号特征融合组成特征向量;最后,采用基于网格搜索的支持向量机识别模型对所采集手语动作进行识别。信号融合后手语识别正确率达到97.2%,相对于仅采用肌电信号的手语识别方法,融入肌肉形变信号后识别率提高9.3%。结果表明,基于肌电信号和肌肉形变信号的手语识别框架对动态手语手势具有良好的识别效果。     

传感器信息融合技术及其在生物医学检测中的应用

多传感器信息融合是指将经过集成处理的多传感器信息进行合成，形成对外部环境某一特征的一种表达方式，经过集成与融合的多传感器信息能完善地、精确地反映环境特征。本文从传感器模型、多传感器集成系统模型和框架、多传感器集成系统的控制结构、信息融合的层次和方法等方面对多传感器信息融合技术的现状进行了综述，列举了该技术具体应用的几个实例，并指出其在疾病诊断、人工味觉和嗅觉检测等生物医学检测中的应用     

基于多特征融合的中文电子病历命名实体识别

目的针对某三级甲等医院电子病历中的非结构化部分(诊断和病情),建立多特征融合的条件随机场模型,自动化识别用自然语言描述的电子病历(electronic medical records,EMR)中的疾病和症状,从而实现电子病历信息的结构化存储,以利于电子病历的信息挖掘和统计分析。方法将手动标注的语料库分为训练集和测试集,借助NLPIR工具分割文本,选择CRF++工具进行实验。针对中文电子病历的数据特点,先选取基本特征和相应的特征模板,通过不同上下文窗口的对比实验确定其大小;再分别添加引导词特征和构词结构特征,对比两种高级特征对实验结果的影响。结果仅选取基本特征,上下文窗口为7时,识别效果最好;添加高级特征后,最终疾病实体F值为92.80%,症状实体F值为94.17%。结论条件随机场模型融合多种有效的特征,可以很好地识别出电子病历中的疾病和症状实体。本研究对电子病历的命名实体识别有重要的意义。     

基于传感器融合的障碍物轮廓识别方法

目的 实时准确地识别出障碍物是智能助行器在未知环境中安全运行的基础,也是构建环境地图的前提.基于激光雷达和相机传感器提出一种pointcloud_multi融合方法 ,利用传感器输出的点云数据提取预设范围内的障碍物轮廓.方法 在仿真软件中构建模拟场景,放置带有激光雷达传感器和视觉传感器的移动机器人.首先将激光雷达数据转...     

基于深度特征融合的肺炎影像识别研究

在新型冠状病毒肺炎(COVID-19)疫情背景下,肺炎影像快速准确诊断显得尤为重要.针对肺炎影像纹理及细粒度特征受噪声影响大、常规手段识别率低等问题,本研究构建了一种新的基于跨层连接机制的多主干网络特征融合卷积模型.依托并行特征挖掘思路,利用多尺度感受野挖掘融合来捕获医学图像的局部细节,实现对COVID-19医学影像的...     

基于特征融合的人体运动识别

目的 基于手机内置传感器所获得人体运动信号,建立人体运动识别模型,为身体状况评估、特殊人群监护以及其他生物医学研究提供支持。方法 使用手机内置传感器采集运动信号,并结合公共数据集UCI HAR和WISDM作为实验数据。采用卷积神经网络与自回归模型相结合的特征提取方式,建立人体运动识别模型。结果 模型在自采集数据、UCI HAR和WISDM中均取得90%以上的识别正确率。结论 引入自回归模型,可以避免手工设计特征值的缺陷,并有效减少大规模堆积卷积层的计算量。研究结果证明,基于特征融合的方法可以有效识别人体运动。     

基于磁感应技术的新型非接触心肺信号检测系统的研究

目的：本文旨在研究一种基于磁感应技术的非接触心肺信号检测系统,通过实验对其可靠性和稳定性进行验证。方法：深入研究磁感应技术生理信号检测的原理和发展现状。在研究小组前期工作经验基础之上,设计更高灵敏度的新型传感器和更精确的软件鉴相平台,对线圈磁场分布和感应电动势行理论推导,设计实施人体实验并利用频谱分析等方法对结果进行分析。结果：建立了基于磁感应技术的新型非接触心肺信号检测系统。根据要求筛选20名健康受试者参与人体实验,经实验,新系统在心肺信号检测上效果较理想,MIPS呼吸信号幅值变化约为0.15（±0.05）°,心率信号幅值变化约为0.05（±0.03）°,信号幅值与受试者体征相关,频谱分析结果与监护仪检测结果基本一致。结论：本系统的检测结果准确,性能可靠,为该技术临床应用奠定了理论和实践基础。磁感应技术作为一种新的心肺信号检测手段,具有非接触,连续测量,操作简便,适用范围广等特点,具有应用于临床监护、保健和个性化医疗等领域的潜力。     

基于MOS和SAW传感器呼吸诊断肺癌的复合识别算法研究

目前国际上有关肺癌的呼吸检测诊断方法越来越受到关注,其具有简便、快速、无创伤、无标记以及非接触等显著特点。在前期大量肺癌呼出气体挥发性有机物(VOCs)标志物研究的基础上,采用基于MOS-SAW传感器联用的电子鼻技术,分析27例肺癌患者和27例健康人呼出气体样本,并对数据进行处理和识别,设计PCA、PLS、LDA以及ANN等多种诊断方法,比较不同算法的识别结果。实验结果表明,采用的人工神经网络复合模型对肺癌和健康人群的识别灵敏度和特异性分别达到92.59%和88.89%。所提出的复合识别方法对于电子鼻快速诊断肺癌患者是有效的。通过呼出气体中冷凝物标志物的检测和复合诊断算法,将进一步提高通过呼吸气体标志物诊断的新型电子鼻仪器在临床诊断中的广泛应用。     

心电信号多周期融合特征提取和分类研究

多数现存的心电信号（ECG）分割方法是针对一个心电周期内重要的特征波段而言的，这样的分割方法不能全面反映疾病的综合特征和全貌，特征提取和分类因此受到了影响。为此，提出基于多心电周期融合特征提取研究。文中用不同的ECG分割方法和样本定义得到5个以ARMA系数为特征的向量集，对MIT-BIH数据库中的正常窦性心律（NSR）和心室早期收缩（PVC）分别进行基于Fisher准则和二次判别函数的分类测试。结果表明，基于多心电周期的特征提取能明显地改进分类效果。     

基于稀疏分解的心电信号波形检测及形状识别

为对心电信号进行波形检测和形状识别，解决心电信号自动诊断的重点和难点，在稀疏分解的理论基础上，构造符合心电信号特点的超完备字典，基于此字典，利用匹配追踪算法对心电信号做稀疏分解。根据稀疏分解所得解向量及与解向量在字典中对应的原子找出心电信号的特征波的起点、终点、峰值点等，最终实现心电信号的几种特征波的波形检测及形状识别。实验证明该算法的QRS波群检测率为99％，P波、T波检测率为85％，对P波和T波的形状识别符合人的主观判断。这些检测和识别结果为心脏病的自动诊断提供了依据。     

基于隐含形状表示和边缘信息融合的非刚体图像配准

本研究提出基于隐含形状表示和边缘信息融合的多分辨率网格非刚体图像配准算法，使用从全局到局部的层次变换模型覆盖整个变换域，解决有较大局部形变的图像配准问题。首先用隐含形状表示图像的外部轮廓，将轮廓作为距离函数的零水平集隐含地嵌入到高一维的距离变换空间，在该隐含嵌入空间中使用互信息方法，实现了一个具有平移、旋转、尺度不变性的全局配准框架，对齐图像外部轮廓。然后选择基于B样条的多分辨率网格FFD模型进行局部配准，兼顾了结果精确度和计算效率。算法采用了与图像边缘信息融合的方法，强调图像边缘信息在配准中的贡献，得到平滑、连续且保证一对一映射的变换域。最后将该算法分别应用于脑部MR、CT图像的配准，得到令人满意的效果。     

线性模型识别多元耳穴电信息

用耳穴电特性三变量作为生理或病理变化的观察指标。医理设计遵循传统中医学的经络脏腑理论和模式识别理论,通过对穴位相关群特征变量的的取,采取多变量归一化建立线性集成模型,并用该模型对多穴位的三变量进行识别、从而达到鉴别诊断的目的。我们用该模型作上消化道病例样本识别试验获得了较好的结果。该研究融合传统中医学和近代科学的特点,为建立耳穴诊断专家系统提供了一种思路和方法,具有一定的临床应用前景。     

基于多模态信息融合的肘关节连续运动估计

目的 针对目前上肢康复训练设备多为被动式、训练方式单一、患者主动参与度较低等问题,提出一种基于多模态信息融合的上肢连续运动估计算法,实现对肘关节力矩的准确估计。方法 首先,在4种角速度下,采集受试者的表面肌电信号和姿态信号,提取信号的时域特征并利用主成分分析方法进行特征融合;其次,通过附加动量法和自适应学习率对反向传播神经网络(back propagation neural network, BPNN)进行改进,使用粒子群算法(particle swarm optimization, PSO)对神经网络进行优化,构建基于PSO-BPNN的连续运动估计模型;最后,以第2类拉格朗日方程计算的关节力矩作为准确值,对模型进行训练,并与传统BPNN模型进行性能对比。结果 传统BP神经网络模型均方根误差为558.9 mN·m,R²系数为77.19%,优化模型后的均方根误差和R²系数分别为113.6 N·m、99.12%,力矩估计准确度进一步提高。结论 本文提出的肘关节连续运动估计方法能够准确地识别运动意图,为上肢外骨骼康复机器人的主动控制提供切实可行的方...