睡眠是人类的一项重要生理活动,其质量与人体健康状态密切相关,对睡眠情况进行分析有助于许多疾病的预防和监测。传统的睡眠分期黄金标准是多导睡眠图,并包含脑电、眼电、肌电、呼吸、血氧、运动等多种信号,操作复杂且对测试者睡眠有影响。因此,基于可穿戴设备和有限类型数据进行睡眠分即已成为当前研究热点。本文仅采用了心电和呼吸信号进行特征提取,使用前向序列选择方法进行特征选择,分别采用支持向量机、随机森林和AdaBoost等方法进行分类,在睡眠呼吸障碍患者数据库中进行WAKE-REM-NREM分期上获得最高71.9%的准确率(Kappa=0.36)。实验表明心电与呼吸信号可在一定程度上代替多导睡眠仪应用于睡眠呼吸障碍患者的分析,有助于睡眠呼吸类疾病的诊断和评价,为相关设备的便携化提供了算法基础。者的睡眠分期结果示意图(采用随机森林分类器)，由分期结果中可以看到，算法区分WAKE和NＲEM时期较为准确本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name，目标检测技术研究-电动滚圆机滚弧机数控滚弧机张家港电动不锈钢滚圆机滚弧机而区分ＲEM睡眠结果尚显逊色，这可能与训练集中ＲEM睡眠期数据比例较小有关。!睡眠分期结果示意图Fig同分类算法的差异实验中分别采用了SVM、Adaboost和ＲandomForest三种分类器对选取出的特征进行了研究分析。其中，各个分类器选取的特征见表6。表6不同分类器特征选择表T类器选择的特征编号s究可知，在训练集中，属于WAKE和ＲEM时期的样本较少，因此对这2个时期的样本进行了过采样，使其数量较原始数据增大两倍，最终可得实验结果见表7。3种分类器的分类准确度比较接近，但随机森林分类器的准确度较支持向量机与Adaboost分类器要略高。表7不同分类器分期结果对比表(WAKE－ＲEM－NＲEM)T常用的运动目标检测算法有背景减除法、帧间差分法和光流法,针对背景减除法的背景模型需要实时更新,帧间差分法检测到的目标不完整,本文提出将Lucas-Kanade光流法与最大类间方差的图像分割法相结合的算法,即首先对连续两帧图像进行Lucas-Kanade光流计算,再对其进行最大类间方差图像分割,将光流不连续的区域视为运动目标,光流连续的区域视为背景,最后进行形态学处理,完成运动目标的检测过程。通过Matlab实验仿真,验证了本文所提算法能提取更完整的运动目标,检测效果较好。目标检测技术研究-电动滚圆机滚弧机数控滚弧机张家港电动不锈钢滚圆机滚弧机 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name