雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际先进研究期刊》的研究在电子、电子、仪表工程

菜单

ISSN在线(2278 - 8875)打印(2320 - 3765)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

特征提取和基于可穿戴传感器的病人监护系统

博士答:Sahaya Anselin Nisha1, Dhatchayini2
  1. Sathyabama大学助理教授,部门建设Tamilnadu、印度钦奈
  2. PG学生(嵌入式系统),部门的ECE Sathyabama大学Tamilnadu、印度钦奈
相关文章Pubmed,谷歌学者

访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程

国际先进研究期刊》的研究在电子、电子、仪表工程

文摘

一项调查显示人类活动识别使用可穿戴传感器使用有线通信设备。对人类活动调查识别使用可穿戴传感器使用无线通讯设备。承认人类活动已经接近用两种不同的方式,即使用外部和可穿戴传感器。在前,设备在预定的兴趣点是固定的,所以活动的推理完全取决于自愿与传感器交互的用户。在后者中,设备被连接到用户。在特征提取技术,图像从相机饲料进入系统,我们使用分类器来提取图像的特征。我们在这个项目中使用两种方法,即(i)前馈神经网络(ii)一般回归神经网络。特征提取使用两种技术。测试和培训。在训练阶段,两个用户系统中图像处理和更新。 So during the testing phase, when images are feed into the system, the system compares with the existing training data and validates the images.

关键字
可穿戴传感器、病人监护系统,特征提取,FFNN分类器,GRNN分类器

介绍
在过去的十年中,有一个出色的微电子和计算机系统的发展,使传感器和移动设备以前所未有的特点。他们的高计算能力、小尺寸和低成本允许人们与设备交互作为日常生活的一部分。无处不在的传感的起源,一个活跃的研究领域,从数据中提取知识的主要目的通过无处不在的传感器。特别是人类活动已成为一个任务的识别领域内的高利息,特别是对医疗、军事和安全应用程序。例如,糖尿病患者、肥胖或心脏病往往需要遵循一个定义良好的锻炼作为治疗的一部分。因此,识别活动,如散步、跑步、或骑自行车变得非常有用对病人照顾者提供反馈的行为。同样,痴呆和其他精神疾病患者可以监控检测异常活动,从而防止不受欢迎的后果。对人类活动调查识别使用可穿戴传感器使用无线通讯设备。承认人类活动已经接近用两种不同的方式,即使用外部和可穿戴传感器。在前,设备在预定的兴趣点是固定的,所以活动的推理完全取决于自愿与传感器交互的用户。 In the latter, the devices are attached to the user. In the feature extraction technique, the image from the camera is feed into the system, where we use the classifiers to extract the features of the images. We use two techniques in this project, namely (i) Feed forward neural network (ii) General regression neural network. The feature extraction uses two techniques. Testing and training. In the training phase, couple of the user images are processed and updated in the system. So during the testing phase, when images are feed into the system, the system compares with the existing training data and validates the images.

文献调查
F。福斯特把,M。SMEJA, J。FAHRENBERG解释道。,The suitable placement of a small number of calibrated piezoresistive accelerometer devices may suffice to assess postures and motions reliably. This finding, which was obtained in a previous investigation, led to the further development of this methodology and to an extension from the laboratory to conditions of daily life. The intention was to validate the accelerometric assessment against behavior observation and to examine the retest reliability. Twenty-four participants were recorded, according to a standard protocol consisting of nine postures/motions (repeated once) which served as reference patterns. The recordings were continued outside the laboratory. A participant observer classified the postures and motions. Four sensor placements (sternum, wrist, thigh, and lower leg) were used. The findings indicated that the detection of posture and motion based on accelerometry is highly reliable. The correlation between behavior observation and kinematic analysis was satisfactory, although some participants showed discrepancies regarding specific motions.
E。金,S。希拉勒,D。库克解释道。,In principle, activity recognition can be exploited to great societal benefits, especially in real-life, human centric applications such as elder care and healthcare. This article focused on recognizing simple human activities. Recognizing complex activities remains a challenging and active area of research and the nature of human activities poses different challenges. Human activity understanding encompasses activity recognition and activity pattern discovery. The first focuses on accurate detection of human activities based on a predefined activity model. An activity pattern discovery researcher builds a pervasive system first and then analyzes the sensor data to discover activity patterns.
一个。TOLSTIKOV X。在香港,J。BISWAS C。纽金特,L。陈,和G。PARENTE解释道。,Ambient assistive living environments require sophisticated information fusion and reasoning techniques to accurately identify activities of a person under care. This paper explains, compares and discuss the application of two powerful fusion methods, namely dynamic Bayesian networks (DBN) and Dempster-Shafer theory (DST), for human activity recognition. Both methods are described, the implementation of activity recognition based on these methods is explained, and model acquisition and composition are suggested. It also provides functional comparison of both methods as well as performance comparison based on the publicly available activity dataset. Our findings show that in performance and applicability, both DST and DBN are very similar; however, significant differences exist in the ways the models are obtained. DST being top-down and knowledge-based, differs significantly in qualitative terms, when compared with DBN, which is data-driven. These qualitative differences between DST and DBN should therefore dictate the selection of the appropriate model to use, given a particular activity recognition application.

可穿戴式传感器
可穿戴传感器是一个总是与用户的设备,和用户可以输入的命令和执行一套这样的命令,输入,用户可以在走路或做其他活动。这一转换使其经常穿,目标成为一个身心的无缝延伸,配备各种传感器的测量心率、呼吸、脚步速度等,可以帮助身体保养。可穿戴计算机的装置是嵌入在非透明的服装提供屏蔽
图像
图1和图2的加速度计是一种装置,措施适当的加速度,加速度相对于自由落体。单和多轴模型可用来检测加速度的大小和方向矢量,并可用于定位、加速度、振动冲击,下降。微机械加速度计正越来越多地出现在便携式电子设备和视频游戏控制器,检测设备或提供游戏的位置输入。三轴加速度计可能是最广泛使用的传感器来识别移动活动(例如,散步,跑步,撒谎,等等)。[27]- [29],[34]- [36]。加速度计是廉价的,要求相对较低的功率[37],嵌入在大多数今天的手机。一些报纸报道[29]识别精度高92.25%,95%[38],[35]97%,和98%[39],在不同评价方法
图像

温度传感器
图像
图3一个热敏电阻是一种电阻,其电阻随温度。这个词是一个混合的热电阻。热敏电阻被广泛用作侵入电流限制器、温度传感器、自动复位过电流保护装置,自动调节加热元件。热敏电阻与电阻温度探测器(RTD)材料用于热敏电阻通常是一个陶瓷或聚合物,而高压使用纯金属。温度响应也不同;高压是有用的在较大的温度范围内,而热敏电阻通常达到更高的精度有限的温度范围内(通常−90°C到130°C)。作为一个一阶近似假设,电阻和温度之间的关系是线性的,那么:
图像
在那里,
 ΔR = 阻力 的 变化
 ΔT = 温度 变化 量
 k = 一 阶 电阻 温度 系数
图像

心电图(ECG)
图像
在图4心电图(ECG或EKG,缩写为德国Elektrokardiogramm)是一个图形由一个心电图仪,记录心脏的电活动。分析各种波和法向量的去极化和复极化收益率重要诊断信息。它是心律失常的黄金标准评价。它指导治疗和疑似急性心肌梗塞患者的危险分层。它可以帮助检测电解质紊乱(如血钾过高和低钾血)。它允许传导异常的检测(如左右束支块)。它作为筛查工具用于缺血性心脏病心脏压力测试。这是偶尔有用,进行非心脏疾病(肺栓塞或体温过低)。

心电图在坐标纸
图像
始一个典型的心电图仪的运行在一个纸25毫米/秒的速度,虽然偶尔使用纸速度快。每个小块心电图纸是1平方毫米。在一篇论文25毫米/秒的速度,一个小块心电图纸转化为0.04秒(或40毫秒)。五个小块组成1大块,转化为0.20秒(或200 ms)。因此,有5个大块每秒。12导心电图诊断质量caliberated在10毫米/ mV。

电力供应
图像
在图7的交流电压,通常220 v rms,是连接到一个变压器,步骤,交流电压的水平所需的直流输出。二极管整流器然后提供了一个全波整流电压,最初是由一个简单的电容滤波器过滤产生直流电压。这产生的直流电压通常有一些波纹或ac电压变化。调节器电路消除了涟漪,也仍然是相同的直流值即使输入直流电压的变化,或负载连接到输出直流电压的变化。这个电压调整通常是获得使用一个流行的稳压集成电路单元。

RS232串行通信
在电信,rs - 232是一个标准的串行二进制数据终端设备(数据终端设备)之间的互连和DCE(数据电路终接设备)。这是常用的在计算机串行端口。电子产业联盟(EIA)标准rs - 232 - c[3]在1969年定义:电信号特征如电压水平,信号速率、时间和信号的转换速度,耐电压水平,短路的行为,最大的寄生电容和电缆长度。界面力学特性,可插拔连接器和销识别。每个电路的功能接口连接器。标准的子集选择电信应用程序接口电路。等元素的标准没有定义字符编码(例如,ASCII, Baudot或EBCDIC),或字符数据流的框架(位/字符,启动/停止位,奇偶校验)。错误检测的标准没有定义协议或算法进行数据压缩。标准没有定义传输的比特率,虽然标准说,它的目的是比特率低于每秒20000比特。许多现代设备可以超过这个速度(38400和57600位/秒是常见的,115200和230400位/秒偶尔出现),同时仍然使用rs - 232兼容的信号水平。 Details of character format and transmission bit rate are controlled by the serial port hardware, often a single integrated circuit called a UART that converts data from parallel to serial form. A typical serial port includes specialized driver and receiver integrated circuits to convert between internal logic levels and RS-232 compatible signal levels.

无线个域网
图像
在图7的数字特性允许建立一个高性能的射频系统。使用廉价的单片机。Wake-on-radio功能自动低功耗rx轮询。突发模态数据传输与无线数据率高。减少电流消耗。可编程数据率从。2 - 500 kbps。健壮的解决方案具有优良的选择性和阻塞性能。理想的多渠道化操作(50 - 800千赫渠道)。完整的数据包处理包括序言,同步。 word insertion/detection ,add check, flexible packet.
图像
在Fig.8心电图、温度传感器和加速度计传感器。读取数据的传感器将通过放大器。输出将进入模拟形式转换成数字形式。结果将显示在液晶显示和数据收发器通过无线个域网。和输出将显示在虚拟仪器通过RS232串行通信。

特征提取
首先我们要提取的特征(如给定的输入图像。正常和异常图像)。的特性将会提取,熵[1],[2]的能量,[3]意味着/平均值,标准差[4],[5]方差、协方差[6],[7]峰度
1)熵
熵是衡量一个随机变量的不确定性
熵的定义是总和(p。* log2 (p))
2)能源
能源也被称为一致性、均匀性的能量,和角二阶矩。
图像
3)意味着/平均值
图像
4)标准偏差
标准差是衡量的数字。它的象征是σ(希腊字母σ)。有两种常见的教科书定义数据的标准差s向量X。
在哪里
图像
5)方差
方差是标准差的平方(STD)。
图像
6)协方差
协方差是一个衡量两个随机变量的变化
图像
7)峰态
峰度衡量outlier-prone如何分布。正态分布的峰度是3。分布更outlier-prone比正态分布的峰度大于3;分布不outlier-prone峰度小于3。被定义为的峰态分布
图像

分类器
使用分类器将会是神经网络。神经网络由两个阶段组成。在训练阶段我们要训练网络使用从输入图像中提取的特征。在测试阶段,给定的输入图像可以进行测试是否正常或不正常。

前馈神经网络
图像
Fig.9神经元连接在一起的集合在一个网络可以表示为一个有向图,节点代表神经元,箭头表示它们之间的链接。每个节点的数量,一个链接连接两个节点会有一对数字(例如(1、4)连接节点1和4)。网络没有周期(反馈)被称为前馈网络(或感知器)。网络的输入节点(节点1、2和3)相关的输入变量(x1,。。xm)。他们不计算任何东西,而只是通过处理节点的值。输出节点(4和5)与输出变量(日元。yn)。隐藏层节点和。神经网络可能隐藏节点——他们不直接连接(“隐藏”在网络环境。我们可以组织节点层:输入(节点1、2和3),隐藏(4和5)和输出(6和7)层。 Neural networks can have several hidden layers. Numbering the Weights.
[一]。在第一个隐层:计算加权求和
v3 = w13x1 + w23x2 = 2 * 1−3 * 0 = 2 (9)
v4 = w14x1 + w24x2 = 1 * 1 + 4 * 0 = 1 (10)
[b]。应用激活功能:
y3 = f (2) = 1, y4 = f (1) = 1 (11)
[c]。计算节点的加权和5:
v5 = w35y3 + w45y4 = 2 * 1−1 * 1 = 1 (12)
[d]。输出是
日元= f (1) = 1 (13)

广义回归神经网络
图像
在Fig.10 Fig.11广泛努力一直致力于发展技术线性timeinvariant系统的识别。线性识别是基于测量系统的输入和输出值。识别的非线性系统也是基于测量输入和输出值,但它是更加困难。一个程序,使用非线性系统的神经网络识别和控制。为识别、系统的输入和输出值被送入多层神经网络。虽然这篇论文使用反向传播算法训练网络,可以使用相同的识别和控制框架与神经网络在其他特征。反向传播的一个缺点是,它可以把大量的迭代收敛到期望的解决方案。反向传播的替代品,用于分类的概率神经网络(并),其中包括一次走刀直接学习和可以实现神经网络架构。本文描述了一个类似的一次通过的神经网络学习算法,可以用于连续变量的估计。如果变量估计未来值,则预测过程。 If the variable or variables to be estimated relate output variables to input variables, then the procedure can be used to model the process or system. Once the system has been modeled, a control function can be defined. If the procedure is taught samples of a control function, it can estimate the entire control function, and it becomes a controller.
图像

结果与讨论
图像
Fig.12这些硬件组件中我将使用在这个项目中评估人类活动通过可穿戴传感器识别。
图像
Fig.13而使用硬件组件将通过RS232串行通信连接到PC坐在和心电图价值评估值人将出现了。。这个项目调查基于可穿戴艺术HAR的状态传感器。
图像
在Fig.14训练阶段,这些窗口训练图像迭代。
图像
在测试阶段,15所给定的图像来评估图像的分类器是正常或异常。
图像
Fig.16圆圈表示的数据点或训练样本用来预测实线穿过这些样品。

结论
在这个项目中,我实现了先进的人类活动识别基于可穿戴传感器。特征提取的基本原理和机器学习也包括在内,因为它们是每个HAR系统的重要组成部分。这样的系统将帮助改善人类医疗保健领域,安全,在更多的领域。承认人类活动已经接近用两种不同的方式,即使用外部和可穿戴传感器。在前,设备在预定的兴趣点是固定的,所以活动的推理完全取决于自愿与传感器交互的用户。在后者中,设备被连接到用户。特征提取使用两种技术。测试和培训。在训练阶段,两个用户系统中图像处理和更新。所以在测试阶段,当图像注入系统,该系统与现有的训练数据和验证图像。

引用









全球技术峰会