面向呼吸腰带数据的病症正常异常分类

人体的呼吸信号包含了很多指示呼吸健康的信息,虽然有多种测量呼吸的仪器和手段,但是呼吸腰带仍然是经济、没有辐射伤害、能长时程日常佩戴的呼吸数据获取手段。然而,目前呼吸腰带数据的分析方法还不成熟,为了明确哪些呼吸数据特征可以对病理进行有效分类,本研究分别使用长短期记忆网络(Long Short-Term Memory,LSTM)、吸呼比结合LSTM、吸呼比结合支持向量机(Support Vector Machine,SVM)3种方法,对287个正常呼吸和55个异常呼吸的24 h观测数据进行病理类别分类准确度对比实验。结果表明,吸呼比特征结合LSTM法具有更高的分类准确度。

基于体域网的动态呼吸监测系统设计

为了实现日常生活的动态呼吸监测,本研究设计了一种电子健康腰带。利用"体域网"的穿戴式人体生理参数动态监测技术和呼吸感应体积描记术(RIP),将电感传感器嵌入织物中,设计了动态呼吸监测穿戴式微系统。对22位被测试者进行了不同日常生活活动(坐-走-跑-恢复)和连续6 h的睡眠呼吸监测实验。结果表明:在不同日常生活中,呼吸率的平均测量精度约为95%。所设计的基于体域网和RIP技术的呼吸波监测腰带,可用于日常生活和睡眠呼吸监测。