论文笔记-基于呼吸信号的人类应激状态实时遥测

深度数据：Kinect 区别于普通摄像机的特点之一就是能够实时获取视野范围内物体与相机之间的距离（深度信息）。Kinect 获取深度信息的原理不同于传统的结构光技术,而是使用了一种光编码(light coding)技术。红外线发射器向环境中发射出具有高度随机性的波长为 830nm 的“激光散斑”(laser speckle)，对环境形成立体的“光编码”。红外线接收器通过采集反射光得到光编码后的红外图像。Kinect根据光编码后图像中的原始参数进行计算，即可得到深度信息。获取深度图像时可设置的像素分辨率有三种：640480、320240、80*60，传输速率均为 30 帧/秒。每个像素点占 2 个字节，高 13 位代表物体与 Kinect 摄像头的距离，以毫米为单位，后三位用来记录用户的 ID。深度图像中每一个像素点对应一个三维坐标（X, Y, Depth），X、Y 表示位置，Depth 表示该点距离摄像机平面的距离。采集到的深度图像以 8 位灰度图显示，即将所有像素高 13 位的深度值量化到 0~255之间。在可视范围内，物体离相机越近，其灰度值越小，颜色越暗；离得越远，灰度值越大，颜色就越亮。Kinect 相机具有两种深度数据探测模式：近景模式
(400mm~3500mm) 和远景模式 (800mm~4000mm) 。其中最佳探测距离为200mm~3500mm，水平视角 57 度，垂直视角 43 度。

骨骼数据：Kinect 的另一特点是可以实现对视野范围内的人体骨骼点实时跟踪。跟踪模式分为全身模式和坐立模式，最多可以同时对两个用户进行骨骼跟踪。全身模式可以获取每个人 20 个骨骼关节点的三维坐标信息

与深度图像坐标点类似，每个骨骼点的前两个坐标用来确定骨骼点的位置，最后一个坐标表示骨骼点与 Kinect 摄像机的距离。然而与深度图像不同的是此处的距离是以米为单位。骨骼点位置坐标是由深度图像通过图像处理和机器学习方法得到的，因此，每一帧深度图像可以得到一组骨骼点位置坐标。

呼吸运动所引起的胸腔和腹部起伏十分微小，通常小于 2 厘米，这种微弱的变化极易被传感器噪声所淹没，因此，无法直接利用 Kinect 在呼吸运动方向获取胸腹部的实时位移进而提取呼吸波形
（1）测量方向的转化
通过多次实验发现，把 Kinect 镜头轴线与胸腹部表面夹角设置为大约 67°，对于呼吸运动的检测就已经可以达到很好的效果

（2）胸腹部区域的定位和跟踪
在全身模式下，必须同时检测到人体的头部和四肢时才能进行对 20 个关节点的骨骼跟踪，而在坐立模式下，只需要检测到上半身就可以实现对人体 10 个关节点的骨骼跟踪，具有更强的适应性。头部、左肩、右肩和肩部中点四个骨骼点的位置坐标用于胸腔和腹部区域的定位。

首先，把四个骨骼点位置坐标投影到深度图像中去（深度图像采集模式选择最高分辨率 640*480，传输速率 30fps），得到它们在深度图像中的对应的位置坐标：头部(X_h, Y_h)、左肩(X_sl, Y_sl)、右肩(X_sr, Y_sr)、肩部中点(X_sc, Y_sc)；然后，实时计算每一帧深度图像中头部与肩部中点的距离 h 和左右肩膀之间的距离 w；则每一帧图像中胸腔区域定义为以左肩骨骼点位置坐标(X_sl, Y_sl)为起点，高为 h，宽为 w 的矩形区域；腹部区域定义为以(X_sl, Y_sl + h)为起点，高为 h，宽为 w 的矩形区域

（3）计算胸腔和腹部与 Kinect 间的距离
理想情况下的胸腔和腹部区域中的深度图像应该是连续的 30fps 的灰度图像，分别对两个区域内所有像素点的深度值取平均（均值可以有效减小衣服上的褶皱对胸腹部与 Kinect 之间距离产生的影响），得到的均值就是胸腹部与 Kinect 间的实时距离。

然而，实际测试中，由于光学噪声的影响，胸腔和腹部区域中深度图像并不总是连续的，表现为区域中存在明显的空洞，即深度信息缺失。这主要是由于被试衣服上存在反射能力较差的材料，导致投射的红外线无法反射回来，不能被传感器接收所引起的。信息缺失处在深度数值上显示为 0mm，如果不作处理直接以每一帧深度图像中胸腔（腹部）区域内所有像素点的深度均值作为胸腔（腹部）的实时位移，绘制出的曲线会产生极大的干扰。因此，在求像素点深度均值之前，先要判定区域内每个像素点的深值是否在合理范围内（400mm~3500mm），只对在合理范围内的深度值取平均，将其作为胸腔（腹部）与 Kinect 间的相对距离。

4）系统设计
对每一帧深度图像都执行步骤 2~3 得到人体胸腹部实时位移，以每一帧深度图像对应时间为 x 轴，胸腔（腹部）位移为 y 轴，绘制曲线，得到的就是胸式（腹式）呼吸的近似曲线。测量系统在每次采集结束，会生成 3个 txt 文件，分别记录这采集过程中胸腔和腹部区域与 Kinect 之间的实时距离，以及每帧深度图像对应的系统时间。方便后续的读取和分析

系统可靠性分析
使用美国BIOPAC 公司的 MP150 多生理信号记录仪与自主设计的“Kinect 呼吸信号遥测系统”同步采集呼吸信号，模拟深呼吸、急促呼吸、浅呼吸、窒息多种呼吸模式进行对比
在两种设备同步采集到的呼吸信号对比之前需要做一些简单的处理：

（1）“Kinect 呼吸信号遥测系统”采集结束得到记录胸腹部区域与 Kinect 之间的实时距离的*.txt 文件，原始数据中包含多种噪声，在对比之前有必要进行去噪声处理。

（2）原始数据绘制出的呼吸波形并非在零点附近波动，因此，需要对原始数据做去线性趋势处理，把数据的波动拉回到零点附近，这样绘制的波形才是真正由呼吸运动产生的波形。

（3）由于 Kinect 深度图像传输速率为 30 帧/秒，因此遥测呼吸信号的采样频率是 30Hz，而 MP150 采样频率是 100Hz，因此需要下采样，把采样频率均调整为 10Hz 再进行对比。

（4）由于 MP150 采用的是呼吸绑带式压力传感器测量方法，测得呼吸波形
中的幅度与 Kinect 呼吸信号遥测方法中的幅度代表意义不同，不具有可比性，因
此，在波形对比之前还需要把两组数据归一化。

整个实验流程按照基线呼吸信号采集、放松状态呼吸信号采集、心理压力状态呼吸信号采集和生理压力状态呼吸信号采集四个阶段进行

信号预处理
于呼吸信号的非接触式采集，不可避免会引入各种噪声，主要包括基线漂移、人体运动以及传感器噪声。这些噪声严重影响后续对呼吸信号的分析，因此在特征提取之前十分有必要对原始信号预处理。

基线漂移和传感器噪声的去除

人体运动噪声解决方案
呼吸运动产生的幅度变化相对人体运动带来的干扰要小得多。通过多次实验发现，由呼吸运动所产生的幅度变化在 2cm 以内。因此只需要设定合适的阈值就可以判断呼吸波形中是否叠加有严重的人体运动噪声，并检测出呼吸波形中叠加有人体运动噪声的时刻，然后把该时间段内的呼吸波形舍弃。
具体处理方法如下：找出滤波后呼吸波形中的所有波峰和波谷，如果相邻波峰与波谷的幅度差值
的绝对值大于阈值 20mm，则认为该时刻叠加有较强烈的人体运动干扰，从每个叠加人体运动的时刻把原始信号截取为前后两个部分：前一段数据到该晃动时刻之前最临近一个波峰/波谷结束，后一段数据则从晃动时刻之后最临近一个波峰/波谷开始。依次保留所有长度大于 1min(1800 个点)的数据段留作后续处理，时长不足 1min 的数据段舍弃。

从每段预处理后的情感呼吸信号中提取出十五种时间序列。其中呼气末暂停序列提取方式包含动态阈值法和固定阈值法两种，因此，加上呼吸信号本身，共组成十七组时间序列，对这十七组序列分别做时域特征提取

假设检验的基本原理
假设检验是数理统计学中根据一定假设条件由样本推断总体的一种方法，其一般步骤如下：
（1）根据实际问题提出原假设 H0 与备择假设 H1，即说明需要假设的具体内容；
（2）选取适当的统计量，并在原假设H0成立的条件下确定该统计量的分布；
（3）对于给定的显著性水平α，根据统计量的分布查表，确定统计量对应于α的临界值；
（4）根据样本观测值计算统计量的观测值，并与临界值比较，从而对拒绝或接受原假设 H0 做出判断。
显著性水平 α 的含义是：在原假设正确的情况下被拒绝的风险或概率，通常α 取 0.01、0.05 或 0.1，其对应的意义是在接受原假设时，正确的概率为 99%、95%或 90%

Fisher 分类器是历史上最早提出的分类算法之一，是一种广泛应用的线性分类器，对二分类问题可以达到很好的识别效果。在应用于二分类时，该算法的基本思想是：将两类 m 维的数据尽可能的投影到一个方向，使得投影后的两类数据之间能尽可能的分开，同时又要求每一类内部的样本尽可能聚集在一起。
设 A类有 N1 个样本，B 类有 N2 个样本，Fisher 分类器设计的目标就是找到一条最佳投影直线，使得两类数据在该直线上的投影最有利于数据的区分。

随机森林分类器是在决策树分类器的基础上发展而来的。决策树，顾名思义，是一种根据决策策略建立起来的树，是一种自上而下的预测模型。在算法在刚开始运行时，所有训练样本都集中在树的根节点上。该算法选取一个属性用来区分这些样本，为每一个属性创建一个分支，如果某些样本满足该分支的条件，则这些样本集移动到该分支生成的子节点上。把这个算法应用到每一个子节点，直到一个节点上的所有样本都属于同一类，不可再分为止。到达决策树最终节点的每条分支都表示一个分类规则

决策树分类器具有训练时间复杂度较低，预测的过程速度快等优点，但是只通过单一决策树分类，极易出现过拟合现象。
随机森林分类器由许多的决策树分类器所组成，因为这些决策树的形成采用了随机的方法，因此也叫做随机决策树分类器，该方法由 Breiman 和 Cutler 提出。随机森林中，决策树之间没有关联，当测试数据进入随机森林时，首先让每一颗决策树进行分类，最后取所有决策树中分类结果最多的那类为最终的分类结果。

每一颗决策树都是一个弱分类器，但是大量简单的决策树分类器组合在一起构成随机森林，就可以有效减少单一决策树分类带来的问题，成为一个较强的分类算法。

Fisher 分类器是一种二分类线性分类器，不能直接实现对放松、心理压力、生理压力三种情感状态的三分类。因此，本文在 Fisher 分类器设计时，对每一种情感都采用“一对多”的分类方法做情感识别，即把待识别情感看作一类，另外两种情感看作另一类，建立三个二分类模型，结合在一起实现三种情感的三分类。具体方法是把每个待分类情感数据都经过三个二分类模型进行三次判别，最终判定属于哪一种情感状态。

主成分分析（PCA）算法可以在保证在重建误差最小的情况下，提取情感数据集矩阵的主成分，从而实现数据集的降维。
使特征标准化，从而消除个体差异

深度数据的提取

论文笔记-基于呼吸信号的人类应激状态实时遥测相关推荐

SCI一区论文：基于WiFi信号的病毒存活期内密切接触者追踪
自2019年底开始,新冠疫情的爆发对全球人民的健康与世界经济的发展造成了极大的威胁.及时追踪并隔离病毒的密切接触者在抑制疫情的蔓延中发挥着非常重要的作用.以往密切接触者追踪的方法通常关注与确诊患者有过 ...
论文笔记--基于 FCM 聚类的跨模态人物图像标注方法-2015
期刊论文-基于 FCM 聚类的跨模态人物图像标注方法-2015-微型电脑应用-赵昀,张翌翀文末附人脸标注相关论文下载地址文章目录摘要技术人脸检测与特征表示(与2012年吴伟硕士论文<跨 ...
论文笔记 | 基于深度学习的乳腺转移瘤识别（Deep Learning for Identifying Metastatic Breast Cancer）
论文阅读笔记:原文链接摘要生物医学图像国际研讨会(International Symposium on Biomedical Imaging,ISBI)举办了一个在前哨淋巴节点全幻灯图中自动检测转 ...
[论文笔记]基于 CNN+双向LSTM 实现服饰搭配的生成
论文:<Learning Fashion Compatibility with Bidirectional LSTMs> 论文地址:https://arxiv.org/abs/1707.0 ...
论文笔记——基于多传感器融合的即时定位与地图构建方法研究
1.多传感器融合SLAM不完全分类: 视觉和IMU融合VIO: 基于滤波的VIO:采用EKF进行视觉信息和IMU数据进行数据融合.预测和更新.经典算法:MSCKF.ROVIO 基于优化的VIO:对视觉 ...
论文笔记-基于代码属性图和Bi-GRU的软件脆弱性检测方法
一.摘要提出了一种基于代码属性图和Bi-GRU的软件脆弱性检测方法.该方法通过从函数的代码属性图中提取出抽象语法树序列.控制流图序列作为函数表征的表征方式,减少代码表征过程中的信息的损失,并通过选 ...
论文笔记-基于BiLSTM 模型的漏洞检测
一.摘要首先从源代码中提取方法体,形成方法集:为方法集中的每个方法构建抽象语法树,借助抽象语法树抽取方法中的语句,形成语句集:替换语句集中程序员自定义的变量名.方法名及字符串,并为每条语句分配一 ...
论文笔记——基于多传感器融合的移动机器人SLAM算法研究
创新点: 1.松耦合地图匹配优化算法: 采用了独立运行各SLAM系统并通过附加的管理程序实现各SLAM系统数据的交互.由于激光SLAM在位姿估计精度上优于视觉SLAM,管理程序在SLAM运行过程中实时 ...
论文笔记——基于多传感器融合的紧耦合SLAM系统
思路:基于视觉.激光雷达.IMU紧耦合的SLAM系统,实现了一个基于非线性优化的滑动窗口的状态估计方案. 创新点: (1)采用加强平面特征点空间约束的特征提取方案对点云进行特征提取,在降低点云总数的同 ...

论文笔记-基于呼吸信号的人类应激状态实时遥测

论文笔记-基于呼吸信号的人类应激状态实时遥测相关推荐

最新文章

热门文章