基于多生理信号融合的体征识别技术研究与实现

• 作 者: 刘昌鑫
• 机 构: 东南大学
• 出 处: 东南大学
• 发表日期: 2020年01期
• 关键词: 多生理信号融合

随着体域网技术和通信技术的发展，各类可穿戴生理传感器开始得到广泛应用，能采集的人体生理信号也更加丰富。在战场环境下已不满足于对士兵基本生命体征的监测，而是期望能进一步感知士兵在体能、情绪等方面的体征状态。本文以战场环境下构建单兵体征智能检测系统为背景，研究了人体基本生命体征、饥饿、运动性疲劳和恐惧这几类体征的识别技术，通过选取具有普适性、易采集的多路生理信号，构建人体体征识别模型，以达到对人体体征快速、准确识别的目的。论文主要研究工作如下：
　　1、从生理信号与待识别体征的相关性和应用场景两方面考虑，调研并选取了心电（ECG）、脉搏波（PPG）、皮肤电（EDA）、肌电（EMG）、体温（SKT）、血氧饱和度（SaO2）、血糖浓度（GLU）共7种生理信号，明确了不同体征需要采集的生理信号类型及其识别流程。
　　2、体征数据集的构建和数据预处理。以多导生理记录仪MP150作为主要采集设备搭建了实验平台，针对饥饿、运动性疲劳和恐惧三类体征设计了相应的实验，分别构建了240人次、417人次、320人次的体征数据集。数据预处理主要对数据集中的信号进行了有效数据截取、降频、去噪等操作。重点研究小波变换在生理信号去噪上的应用，针对不同的生理信号选取对应的小波基、分解层数和阈值系数，并在近1000人次的实验数据上进行验证，结果表明该方法具有较好的去噪效果。
　　3、生理信号的特征提取和特征降维。首先，从时域和频域两个维度对各生理信号进行特征提取。时域对信号特征点进行检测并计算特征序列的统计指标作为时域特征；频域分析采用幅值谱和功率谱，计算它们的统计指标作为频域特征。为减少不相关特征和信息冗余的影响，还要对特征提取后的高维特征进行降维处理，主要研究了基于主成分分析（PCA）的特征抽取和基于改进遗传算法（GA）的特征选择两种方法。PCA方法不依赖于体征识别模型，通过对基于 PCA 方法的体征样本降维结果的初步分析，为后续模型构建及改进方向提供了依据。
　　4、体征识别模型的构建。首先，对特征降维后的体征数据集使用SVM作为分类器进行训练和识别，并对比PCA和改进GA的特征选择两种降维方法的表现。结果是：对于饥饿和运动性疲劳两类体征，有较好的识别效果，平均识别率分别为 91.389%?2.307、90.519%?2.727，且改进GA 的特征选择方法略好于 PCA 方法；对于恐惧体征，识别率均较差，在70%左右。针对恐惧体征，重点分析了其生理信号特性，根据触发和持续期短的特点使用基于时间序列的学习网络LSTM重新构建了识别模型，该模型下恐惧体征识别率有了明显提升，平均识别率为88.749%?1.855。
　　5、体征识别系统的设计与实现。系统对本文研究的数据处理方法、特征提取和降维算法、体征识别模型进行了集成。为了提高系统性能，对数据传输做了Protocol Buffers编码优化，对系统结构做了层次化+模块化的设计，并从方便模型调参和数据可视化的角度考虑开发了本地客户端。最终将系统部署到云端，对外提供体征识别服务。