基于ECG信号和体动信号的睡眠分期方法研究

为了研究整夜睡眠状况和睡眠过程,利用多导睡眠仪(polysomnography,PSG)和体动记录仪,分别记录被试的ECG信号和体动信号,再对ECG信号提取心率变异性(heart rate variability,HRV)的特征值,并将其作为实验数据的特征参数。为了提高识别率和防止过度拟合,将实验数据分为训练集和测试集,设计一个用遗传算法改进的BP神经网络模型,对样本进行训练和预测。研究结果表明,改进的BP神经网络能有效地识别测试样本,综合识别准确率为86.29%。将检测ECG信号和体动信号的穿戴式设备与睡眠分期识别算法相结合,能够用于家庭睡眠监测,也可作为睡眠疾病的初筛方法。

基于AETA的电磁扰动与地震的相关性分析

基于多分量地震监测预测系统(AETA)进行电磁扰动观测(EMD),通过观测数据特征分析和异常识别判定,并结合地震事件进行相关性分析。结果表明,AETA电磁扰动观测数据与已知的环境噪声和人文噪声特征不符。基于磁传感器原理和麦克斯韦方程组推导,提出信号可能来自近地表的自由电荷变化和运动。以九寨沟Ms 7.0级地震和宜宾长宁Ms 6.0级地震为例,发现AETA电磁扰动均值异常与地震具有前兆相关性。其中,日周期特性的SRSS波和电磁扰动超低频成分的出现与周边地区或龙门山断裂带以及鲜水河断裂带的强震风险相关。通过讨论信号源产生的物理机理,认为日周期特性的SRSS波可能与来自地幔的熔融物质中带电粒子溢出至地壳有关,在地球自转和公转综合作用下,在震源附近或相关区域会产生与日升日落同步的日周期波动。