一、生物非线性分析的数据采集（论文文献综述）
张志民[1]（2020）在《熵测度及压缩感知理论在睡眠质量评估中的研究与应用》文中认为睡眠是一个复杂的生理过程,睡眠质量的高低直接影响人体的健康水平。随着对睡眠研究的逐渐深入,人们对睡眠的认知以及睡眠质量的评估方法也都取得了长足的发展,但是在睡眠的生理机制及与睡眠相关疾病的诊断和治疗方面仍存在大量需要改进或者不明确的问题存在。在此背景下,本文以睡眠质量研究为核心,针对睡眠分期、阻塞性睡眠呼吸暂停病人的脑功能异常以及睡眠心电信号研究三个问题开展工作。本文首先综述了熵测度方法及压缩感知的理论基础,并以此为技术手段针对以上三个问题展开研究:针对第一个问题,首先研究了基于熵测度和支持向量机的自动睡眠分期方法,并进一步提出了一种新的睡眠分期熵测度算法—张量近似熵,有效地提升了睡眠分期的准确率;针对第二个问题,提出了基于模糊熵和偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人的脑功能偏侧化现象;针对第三个问题,提出了基于压缩感知理论的睡眠心电信号采样压缩重构框架,为睡眠心电信号的大数据获取与传输提供了有效的解决方案。总结起来,本论文的主要工作包括以下几个方面:（1）详细综述了近年来应用于生理信号非线性分析的几种常用的熵测度方法,包括近似熵、样本熵、模糊熵以及模糊测度熵,介绍了在现有文献中以上几种熵测度方法在生理信号分析中的典型应用。同时给出了压缩感知理论实现的数学模型,并简要阐述了压缩感知目前在脑电信号及心电信号上的初步应用。（2）研究了一种基于熵测度算法及支持向量机的自动睡眠分期方法,分别提取脑电信号及眼电信号的样本熵、模糊熵以及模糊测度熵,并设计了基于一对多的支持向量机多分类方法,分别在独立样本测试与训练、非独立样本测试与训练两种模式下进行睡眠状态分类。实验结果表明,同等条件下该方法在睡眠分期的准确率和一致性上均具有一定的优势。（3）提出了一种新的睡眠分期熵测度算法—张量近似熵,通过将生理信号组织成张量的形式能够更加准确地模拟单一信号源的生理状态。实验结果表明张量近似熵在张量数据上表现出良好的一致性及辨识能力;在睡眠分期任务中,张量近似熵在不同的睡眠状态下具有显着的差异性,并且相对于传统的时间序列熵测度方法具有更高的睡眠分期准确率。（4）针对阻塞性睡眠呼吸暂停的脑功能异常研究,提出了基于模糊熵及偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人存在的大脑功能偏侧化现象;同时考虑到传统的偏侧化指数只能考虑单一脑活动评估指标的问题,本文对偏侧化指数进行改进并提出了一种新的增强偏侧化指数,在临床多导睡眠监测数据上验证了该指数在评估脑功能优势不对称问题上的可靠性。（5）研究了基于压缩感知理论的睡眠心电信号采样压缩及重构方法。系统探究了影响心电信号重构精度和重构效率的多个因素,并提出了心电信号二维化处理的压缩感知应用模型,考虑心电信号的准周期特性,通过将心电信号各个心拍进行切割重组生成二维图像,能够更大程度地表现心电信号的稀疏度。实验结果表明,在此模型下可以以更低的信号采样压缩率实现满足临床需求的心电信号重构精度。
王恒[2]（2020）在《流化床内生物质与床料颗粒混合流动特性研究及热解过程DEM-CFD数值模拟》文中指出由于环境污染以及能源紧缺问题日益凸显,生物质能高效清洁利用技术受到广泛关注。生物质热解技术可以将生物质转换为液体燃料,具备开发潜力。本文以流化床内生物质热解过程中与床料颗粒的混合流化特性研究为切入点,结合试验与数值模拟方法,对流态化下的生物质颗粒与床料混合流化及热解过程进行研究,最终在欧拉-拉格朗日框架下建立颗粒尺度的生物质热解模型。针对生物质热解过程中生物质物料与床料混合流化过程,本文以成型生物质颗粒、玉米秸秆、稻壳、小米颗粒为研究对象,选取石英砂为床料,通过试验采集了流化过程中的压力脉动信号以及高清瞬时图像等信息。试验结果表明,成型生物质颗粒与小米颗粒在掺混石英砂后的流化特性较好,玉米秸秆即使有石英砂颗粒掺混也极难达到理想的流化状态。稻壳颗粒的流化状态随表观气速以及掺混比例变化都十分明显。借助希尔伯特-黄变换分析方法,对试验采集到的流化过程压力脉动信号进行非线性分析并总结了IMF（Intrinsic Mode Function）分量的能量比例与流型变化之间的规律。尽管生物质颗粒种类不同,但同一个流型对应的IMF分量高、中、低频的能量分布及比例关系有共性规律。通过分析发现,从未充分鼓泡阶段到充分鼓泡阶段,IMF分量的中频能量占比存在一个明显上升的变化趋势。在充分鼓泡阶段,IMF中频能量占比最大,高频能量占比次之,而低频分量的能量比例最小。在未达到充分鼓泡阶段时则是高频能量占比最大,中频能量的比例次之,低频能量比例最小。节涌床阶段则是中频能量比例略高于高频能量,低频能量略有增大。湍流床阶段与节涌床阶段相似,但低频能量比例明显大于其他流型。选取流化数(表观气速u与最小流化速度umf之比)、IMF分量高、中频能量比例EIMF1-3/EIMF4-6以及IMF分量低频EIMF7-8三组数据作为特征向量,通过应用改进的C-means模糊聚类方法对流化过程中的流型进行了聚类,聚类结果为未充分鼓泡、充分鼓泡、节涌、湍流四种流型。进一步将聚类流型作为训练数据和检测数据,应用神经网络算法进一步建立了生物质颗粒与石英砂混合过程智能流型识别系统,对节涌和湍流流型的识别可达100%。在对生物质与床料混合流化特性以及流型特性研究基础上,以稠密相气固两相流动理论为指导,建立了欧拉-拉格朗日框架下的流化床内生物质颗粒与石英砂混合流动过程的数值模型。采用软球模型描述颗粒间及颗粒与壁面之间的碰撞,采用Hertz-Mindlin非线性接触算法进行碰撞受力计算。气固曳力耦合采用的是四向耦合。在模型中考虑了生物质颗粒与石英砂颗粒的密度、尺寸等物性差异,分别讨论了表观气速为1.0 m/s、1.5m/s以及2.5 m/s以及生物质颗粒粒径为1.5 mm、2.0 mm以及3.0 mm时颗粒流化及混合特性。模拟在介观尺度上,对物性差异较大的生物质颗粒与石英砂颗粒的局部混合质量进行了评价。通过研究生物质颗粒与石英颗粒的分布和运动过程中的颗粒平均动能变化,总结了生物质颗粒与石英砂混合机制。模拟结果表明,在一定范围内增大表观气速,对颗粒混合过程有促进作用,较大的表观气速使颗粒更快达到良好混合的状态;直径较小的生物质颗粒对应着较好的混合质量。在生物质颗粒与石英砂混合流化模型基础上,耦合生物质热解三组分动力学模型,建立了欧拉-拉格朗日框架下流化床内生物质热解的数值模型。在生物质颗粒的热解模型中,考虑生物质颗粒随热解反应过程的物性变化及气相参数变化;在传热模型中,考虑了气固传热以及石英砂颗粒对生物质颗粒的辐射传热;采用缩粒模型对生物质颗粒随热解反应的体积变化进行计算。通过模拟,描述了生物质颗粒在热解过程中的瞬时变化规律,研究了气体温度、气体表观速度等因素对热解生成物产率的影响。研究表明,热解油产率随温度升高先升高后下降,在550℃时热解油产率达到最高,由于二次反应的进行,部分热解油分解成小分子气体,因此当温度进一步升高为600℃时,热解油产率略有下降。表观气速对热解生成物产率的影响体现在对气相组分的输运上,更高的表观气速下,热解油的产率更高。
许亚慧[3]（2020）在《选择性睡眠剥夺对健康志愿者血流动力学及心率变异性的影响》文中提出目的:研究健康志愿者在多导睡眠监测（PSG）引导下急性选择性（快速动眼/慢波）睡眠剥夺（SD）对血流动力学及心血管自主神经系统的影响,探讨健康人群选择性睡眠剥夺时心肺及自主神经调节稳态性与心血管疾病的可能相关性。方法:该研究共纳入30名健康志愿者（男:女=1:1,年龄26.27±4.479岁）,入选的每名健康志愿者的试验均为连续三天:第一天正常睡眠、第二天选择性睡眠剥夺（SWS/REM睡眠）和第三天正常睡眠,第一天正常睡眠后筛选出的每例健康志愿者在清醒时均先后接受持续气道正压CPAP（压力为0、10、15cm H2O）与双水平气道正压Bi PAP（IPAP0、15、20cm H2O,EPAP4cm H2O）模式机械通气控制其气道压力,随后采用随机对照的方法,分成快速动眼期睡眠（REM）剥夺组（15人）和慢波睡眠（SWS）剥夺组（15人）,在剥夺晚入睡后进行睡眠剥夺即在SWS或REM睡眠时唤醒,整夜剥夺3次,在对志愿者进行气道压力控制或睡眠剥夺的干预时同步进行血流动力学参数和心率变异性（HRV）指标的采集并加以分析。血流动力学指标有心率（HR）、每搏输出量（SV）、每搏输出量指数（SI）、心输出量（CO）、心指数（CI）、心脏动力学指数（CPI）、全身外周阻抗（TPR）、全身外周阻抗指数（TPRI）及收缩压（SBP）、舒张压（DBP）等,微循环指标有经皮氧分压（Pcto2）和经皮二氧化碳分压（Pctco2）,心率变异性指标有极低频（VLF）、低频（LF）、高频（HF）和低频/高频（LF/HF）、全部窦性心搏RR间期标准差（SDNN值）、全部相邻RR间期差值的均方根值（RMSSD值）、相邻NN间期差异>50ms的百分比（p NN50）、散点图的短轴（SD1）、散点图的长轴（SD2）。结果:1.1在CPAP和Bi PAP两种通气模式下随压力的增加,SV、SI变化均无统计学意义（P>0.05）,而HR、CI、CO及CPI降低,TPR及TPRI升高（P<0.01）;同一模式下改变通气压力Pcto2的变化无统计学意义（P1>0.05）,但Bi PAP模式下Pcto2较CPAP更高（P2<0.01）;两种通气模式下Pctco2均呈降低趋势（P1<0.01）,但Bi PAP模式降幅更大（P2<0.01）。1.2在CPAP通气模式下,当呼气末压力由0cm H2O逐渐增加到15 cm H2O时,HF、PNN50升高（P<0.01）;在Bi PAP通气模式下,EPAP固定为4cm H2O,当IPAP由0cm H2O逐渐增加到20cm H2O时,HF、RMSSD、PNN50升高,LF/HF、SDNN降低（P<0.01）。2.全部健康志愿者,剥夺后与剥夺前相比,HR升高（P<0.05）,SI,CI,CPI,TPRI变化均无统计学意义（P>0.05）;SWS睡眠剥夺组,剥夺后与剥夺前相比,HR升高,SI降低（P<0.05）;CI,CPI,TPRI变化无统计学意义（P>0.05）;REM睡眠剥夺组,剥夺后较剥夺前相比,HR,CI,CPI升高,TPRI降低（P<0.05）,SI变化无统计学意义（P>0.05）;SWS及REM睡眠剥夺后,醒后舒张压较睡前升高（P<0.05）;REM及SWS睡眠剥夺3次,剥夺晚与正常睡眠晚心率比较,最大心率、最小心率及平均心率变化均无统计学意义（P>0.05）;剥夺晚与正常睡眠晚心率变异性整体分析:REM睡眠剥夺组,频域分析指标与时域分析指标变化均无统计学意义（P>0.05）,非线性分析指标SD1,SD2变化无统计学意义（P>0.05）,SD1/SD2在剥夺晚降低（P<0.05）;SWS睡眠剥夺组,频域分析指标、时域分析指标及非线性分析指标变化均无统计学意义（P>0.05）;5分钟频域分析法,剥夺后与剥夺前相比:全部健康志愿者统计分析,VLF,LF/HF升高,HF降低（P<0.05）,LF变化无统计学意义（P>0.05）;SWS睡眠剥夺组,LF、LF/HF升高,HF降低（P<0.05）,VLF变化无统计学意义（P>0.05）;REM睡眠剥夺组,VLF,LF,HF,LF/HF变化均无统计学意义（P>0.05）。3.根据整夜睡眠散点图非线性分析特点健康志愿者人为分成两组人群:甲组（散点图非线性分析SD1/SD2>0.3）及乙组（散点图非线性分析SD1/SD2<0.3）,甲组:剥夺前后5分钟频域分析:剥夺后与剥夺前相比HF降低,LF/HF升高（P<0.05）,VLF、LF变化无统计学意义（P>0.05）;剥夺晚与正常睡眠晚心率变异性整体分析:睡眠剥夺与正常睡眠相比,LF/HF升高（P<0.05）,VLF,LF,HF,SDNN,SDANN,RMSSD,PNN50变化无统计学意义（P>0.05）;睡眠剥夺醒后收缩压及舒张压升高（P<0.05）;乙组:剥夺前后5分钟频域分析:睡眠剥夺后与剥夺前相比仅VLF升高（P<0.05）;剥夺晚与正常睡眠晚心率变异性整体分析:频域指标及时域指标变化均无统计学意义（P>0.05）;睡眠剥夺醒后舒张压升高（P<0.05）,收缩压变化无统计学意义（P>0.05）。结论:1.CPAP和Bi PAP改变健康志愿者气道压均能引起血流动力学及其自主神经活动的轻微改变;2.SD可引起自主神经功能紊乱,急性SD与增加交感神经和减少副交感神经心血管调节相关,选择性REM剥夺使心血管生理脆性可能在睡眠剥夺期间加剧,从SWS中突然醒来心血管事件的风险更大。3.散点图非线性分析SD1/SD2>0.3人群存在自主神经功能不稳定,HRV可作为评估交感和副交感神经系统之间相互作用的非侵入性方法,对于评估高危人群心脏健康起重要作用。
范光辉[4]（2020）在《基于人体下肢表面肌电信号的动作模式识别及疲劳度分析》文中研究表明由于疾病、自然灾害、突发事故以及人口老龄化日益加重,造成的人体截肢、偏瘫、半瘫以及神经肌肉萎缩等症状,给患者及其家人带来了巨大的经济负担和心理伤害,严重影响了他们的正常生活。如果对这些患者制定有针对性的康复计划,让他们进行一定量的康复训练,提高他们的运动能力和身体素质,让他们身体的运动机制通过康复训练达到正常水平,减轻患者的痛苦,这将是人体表面肌电信号研究的最终归宿和落脚点。本文主要是对人体下肢动作的表面肌电信号进行系统性研究。首先,采集了人体下肢7种动作类别、2种姿态下膝关节4种屈伸运动幅度频度、坐姿状态下3种关节运动模式和2种姿态下膝关节屈伸运动疲劳性的表面肌电信号。接着,分别从时域分析法、频域分析法以及非线性分析法入手,每种分析法分别提取2种特征值,3种分析法共提取6种特征值,对肌电信号进行特征提取。然后,用BP神经网络方法对人体下肢7种动作类别进行模式识别,用ELM极限学习机神经网络方法对2种姿态下膝关节4种屈伸运动幅度频度进行模式识别,用BP神经网络方法对坐姿状态下3种关节运动模式进行模式识别,得到了较高的识别率,并且完成了实时模式识别控制实验。最后,根据提取的特征参数,对人体运动的疲劳程度进行分析,找出人体运动疲劳程度与肌电信号特征参数之间的内在联系,确保人体康复训练的安全性和可靠性。本文利用人体表面肌电信号实时模式识别的结果,实现了对虚拟现实康复训练场景和机电运动系统的实时主动控制,完成了人体表面肌电信号的理论研究成果与实际应用的衔接,真正的做到了更为智能化、人性化的康复训练。通过提取患者的肢体动作运动的人体表面肌电信号生物信息,以此作为虚拟现实康复训练场景和机电运动系统实时控制的源信号,控制虚拟现实康复训练场景和机电运动系统运动模式、运动状态、运动界面的改变,丰富患者训练方式,增加患者训练趣味,提高患者训练效率,具有很重要的康复价值和现实意义。
王林嘉[5]（2020）在《基于横断面设计的慢性颈痛患者穴位痛敏特征与自主神经功能相关性的研究》文中研究说明目的:本研究以慢性颈痛患者和健康受试者为研究对象,采用横断面调查研究方法,分析慢性颈痛患者穴位痛敏特征与患者临床疼痛症状和自主神经功能的相关性,以深入阐明慢性颈痛患者穴位痛敏特征,为临床针灸治疗慢性颈痛提供选穴参考。方法:采用临床流行病学横断面研究方法对222例慢性颈痛患者及115例健康受试者进行调查研究。通过Wagner压痛仪检测受试者的穴位压痛阈值（Pressure-pain thresholds,PPT）,采用视觉模拟评分（Visual Analogue Score,VAS）等指标采集受试者的临床疼痛症状信息,通过24小时动态心电图仪采集患者心率变异性（heart rate variability,HRV）信息。使用SPSS 25.0统计软件对数据进行以下分析:运用受试者工作特征曲线（receiver operating characteristic curve,ROC曲线）计算各穴位痛敏的诊断界值,界定发生痛敏的穴位,以计算慢性颈痛患者患侧、健康受试者穴位的压痛敏化率（以下简称“痛敏率”）,并通过t检验和χ2检验比较患者患侧与健康受试者PPT、痛敏率的差异,以初步揭示慢性颈痛患者的穴位痛敏特征;通过spearman相关性分析分别计算慢性颈痛患者各穴位PPT与临床疼痛症状各指标间的相关系数、HRV各指标与临床疼痛症状各指标间的相关系数及各穴位PPT与HRV各指标间的相关系数,探讨慢性颈痛患者穴位痛敏特征、临床疼痛症状、自主神经功能三者之间的交互关系,以深入阐明慢性颈痛患者穴位痛敏特征。结果:1、慢性颈痛患者穴位压痛阈的初步分析结果（1）经ROC曲线分析,各穴位曲线下面积（Area Under roc Curve,AUC）介于0.642-0.728之间（P<0.05）,诊断界值介于1392.50gf-3176.67gf之间（P<0.05）。区分度最好的穴位为巨骨、天宗、手三里、天髎、肩外俞。（2）慢性颈痛患者患侧各穴位PPT均低于健康受试者各穴位PPT,差异具有统计学意义（P<0.05）;各穴位PPT差值在351.62-694.12gf之间,其中差值较大的是天髎、巨骨、肩外俞等穴。（3）慢性颈痛患者患侧各穴位痛敏率均高于健康受试者各穴位痛敏率,差异具有统计学意义（P<0.05）;患者患侧各穴位痛敏率为43.85%-79.89%,健康受试者各穴位痛敏率为16.52%-54.78%;患者患侧痛敏率最高的穴位为大椎、巨骨、肩井、中渚、天髎、肩中俞、手三里,健康受试者痛敏率最高的穴位为大椎、肩井、巨骨、肩中俞、天髎、中渚、手三里。2、慢性颈痛患者穴位压痛阈与临床疼痛症状的相关性分析结果（1）穴位压痛阈与临床痛感觉指标的相关性分析结果VAS与各穴位PPT之间均存在不相关（P>0.05）;NPQ与天柱、大杼、天宗PPT之间存在负相关（P<0.05）;NDI与大杼、肩外俞、天宗PPT之间存在负相关（P<0.05）。（2）穴位压痛阈与临床痛情绪指标的相关性分析结果SAS与除完骨、风池、列缺、后溪外各穴位PPT之间均存在负相关（P<0.05）;SDS与各穴位PPT之间均存在负相关（P<0.05）。3、慢性颈痛患者自主神经功能与临床疼痛症状的相关性分析结果（1）自主神经功能与临床痛感觉指标的相关性分析结果VAS与时域指标PNN50及频域指标LF、HF之间存在负相关（P<0.05）;NPQ与时域指标RMSSD、PNN50及频域指标LF、HF之间存在负相关（P<0.05）;NDI与时域指标RMSSD、PNN50及频域指标LF、HF之间存在负相关（P<0.05）。（2）自主神经功能与临床痛情绪指标的相关性分析结果SAS、SDS与时域指标SDNN、SDANN、RMSSD、PNN50及频域指标LF、HF、LF/LF间均存在不相关（P>0.05）。4、慢性颈痛患者穴位压痛阈与自主神经功能的相关性分析结果（1）穴位压痛阈与自主神经功能时域指标的相关性分析结果除天柱、后溪、列缺外的各穴位PPT与SDNN之间存在负相关（P<0.05）;除后溪、列缺外的各穴位PPT与SDANN之间存在负相关（P<0.05）;除列缺外的各穴位PPT与RMSSD之间存在负相关（P<0.05）;各穴位PPT与PNN50之间均存在负相关（P<0.05）。（2）穴位压痛阈与自主神经功能频域指标的相关性分析结果除肩外俞、天宗外的各穴位PPT与LF之间存在负相关（P<0.05）;各穴位PPT与HF之间均存在负相关（P<0.05）;除后溪、天髎、肩中俞、列缺、大椎、天柱、风池、大杼、肩外俞、完骨外的各穴位PPT与LF/HF之间存在正相关（P<0.05）。结论:1、慢性颈痛患者患侧穴位压痛阈明显低于健康受试者,痛敏率明显高于健康受试者。患者痛敏率最高的7个穴位依次为大椎、巨骨、肩井、中渚、天髎、肩中俞、手三里。2、慢性颈痛患者穴位压痛阈与临床疼痛症状相关:表现为患者穴位压痛阈与临床痛情绪、痛感觉负相关,即患者临床疼痛症状越重其穴位越可能出现痛敏。3、慢性颈痛患者临床疼痛症状与自主神经功能相关:表现为患者临床痛感觉与迷走神经功能负相关,即患者临床痛感觉症状越重其迷走神经功能可能越低。4、慢性颈痛患者穴位压痛阈与自主神经功能相关:表现为患者穴位压痛阈与交感神经功能正相关,与迷走神经功能负相关,与交感-迷走神经平衡性正相关。患者交感神经功能越低、迷走神经功能越高、交感-迷走神经平衡性越低其穴位越可能出现痛敏。
刘晓凤[6]（2020）在《面向情绪识别的脑电特征提取与通道选择方法研究》文中提出近年来人机交互领域迅速发展,正确识别和分析人类情绪成为智能化的一项重要指标。与其它生理信号相比,脑电（EEG）信号具备不易伪装、时间分辨率高等优点,逐步成为情绪识别研究的重点。一方面,现有脑电信号的研究多使用传统的线性分析方法,虽然具有一定的分辨率,但存在抗噪声能力弱,对时间信号不敏感等缺点。因此,提出使用非线性的多尺度排列熵（MPE）算法研究脑电信号,使得情绪相关的脑电信号可识别性大大提高。另一方面,基于脑电信号的情绪识别研究多数采用所有通道的脑电数据,虽然取得了不错的效果,但实际实验过程中存在特征维数较高,特征之间存在关联,特征内部存在冗余等缺点影响了情绪识别的结果。为此,研究了情绪识别中不同脑电特征组合及通道优化选择方法,为便携脑电设备提供了一种新思路。论文主要工作如下:（1）针对脑电信号非线性和随机性且无法满足非平稳随机信号的处理要求等缺点,提出了基于多尺度排列熵的面部表情识别方法。该方法将多尺度熵（MSE）和排列熵（PE）结合起来形成一种新的非线性分析方法,这不仅满足了非平稳随机信号的处理要求,而且具有鲁棒性强、区分效果明显等特点。实验部分,探究了尺度因子对多尺度排列熵性能的影响,结果表明,尺度因子取值为2的情况下,基于该特征对脑电信号进行分析能够有效地区分面部表情的脑电信号。（2）针对EEG信号数据冗余导致分类精确度低等不足,提出了基于Relief-FGSBS的情绪识别通道选择方法,将Relief算法和浮动广义序列后向选择（FGSBS）方法相结合。首先,提取有效的脑电信号特征作为通道选择的输入数据,包括原始信号一阶差分绝对值的均值、多尺度排列熵、Higuchi分形维数、小波能量、小波熵等。然后,基于单一特征和组合特征对通道进行分析,根据通道选择算法并结合通道选用频率选出最优的通道集合。最后,采用支持向量机（SVM）验证通道选择方法的效果。通过比较最优通道集合与随机通道,发现最优通道集合的性能远远高于随机通道集合,并且在自采数据集以及公共数据集上进行了验证,最优通道集合具有极高的相似度,这表明所提出的通道选择方法具有有效性。
张瑞琪[7]（2020）在《基于短期心率变异性的高血压患者自主神经模式分析》文中指出人类和动物的自主神经系统通过其交感神经和副交感神经分支之间的动态平衡来控制多种脏器发挥正常功能,心脏的正常搏动也受自主神经系统控制。自主神经失衡是指交感神经过度活跃,副交感神经活跃不足,或两种情况同时出现。自主神经失衡是许多疾病的共同机制,但是临床上很少针对该机制给予患者有效的治疗。神经生理学研究发现,自主神经系统在控制血压值中发挥着重要的作用,在多数人群中,机体的自主神经失衡先于高血压出现,并且助长了高血压的形成和发展。分析高血压患者的自主神经模式有助于提前阻断自主神经失衡对心血管系统的破坏性影响。然而,目前高血压患者的自主神经活动模式的快速有效量化指标还未见文献报道,因此本文以此作为研究问题。本文基于机器学习方法,分析了短期心率变异性（Heart rate variability,HRV）,以确定高血压患者与正常人群之间自主神经功能的差异。高血压患者的心电（Electrocardiogram,ECG）数据来自于风险智能评估数据库（Smart health for assessing the risk of events via ECG,shareedb）,该数据库提供了用于评估心血管意外事件风险的137个ECG记录。健康受试者的心电数据来自MIT-BIH正常窦性心律数据库（nsrdb和nsr2db）,这两个数据库分别包含18个受试者的ECG记录和54个受试者的正常窦性心律的RR间期数据。本文在已有自主神经生理学文献的基础上,提取了17个HRV特征以区分高血压心律与健康心律,并用以量化高血压人群自主神经系统的活动模式与健康人群的差异。应用Kolmogorov-Smirnov统计检验和后向特征选择（Sequential backward selection,SBS）获得区分高血压心电和正常心电的最佳HRV特征组合。此外,用支持向量机（Support vector machine,SVM）,K最近邻（K-nearest neighbor,KNN）和随机森林（Random forest,RF）作为区分高血压心电和正常心电的分类器,使用留一被试验证法评估各种分类器的性能。本文主要研究结果和结论如下:（1）在17个初始HRV特征中,有15个体现了高血压组与正常组之间的显着性差异。这一结果表明,高血压患者的自主神经调控上显着不同于健康人。从HRV的超低频率带总功率（Very low frequency,VLF）、低频带总功率（Low frequency,LF）和低/高频率带总功率比（LF/HF）来看,与健康组相比,高血压组的上述HRV指标显着升高。该结果表明高血压患者的交感神经过度活跃,这是心血管自主神经功能受损的表现。其中LF/HF反映了交感神经与副交感神经的竞争关系,由此可知,在高血压人群中,交感神经在自主神经的调控中占据主导地位。（2）RF分类器与五个HRV特征构成了高血压自主神经模式的最佳预测模型。在SBS特征选择和模型优化后得到的五个最佳HRV指标是:样本熵（Sample entropy,SampEn）,VLF,相邻RR间期差值的均方根（Root mean square of successive differences,RMSSD）,LF/HF和矢量角度指数（Vector angle index,VAI）。RF分类器与这五个量化指标在高血压组/正常组的二分类问题中得到的接受者操作特性曲线下面积（Area under curve,AUC）为0.9075,正确识别率为86.44%。该分类器对高血压自主神经模式的敏感度为93.43%,这一结果对日常监测由HRV异常引起的高血压风险具有重要意义。（3）在SBS特征选择过程中,所有分类器都选择了SampEn为最佳特征。这表明,与文献中提出的最优高血压量化指标VLF相比,SampEn更适合预测高血压风险。高血压组具有显着降低的SampEn指标,表明自主神经活动复杂性降低是高血压形成和发展的重要特征。
杜艺[8]（2020）在《右美托咪定对腹腔镜手术全身麻醉下自主神经功能指标心率变异性的影响》文中研究指明目的:全麻下腹腔镜手术期间,通过对心率变异性（HRV）的线性指标和非线性指标变化的观察,明确右美托咪定对自主神经功能的影响,为维护循环稳定,降低术中心血管事件风险,改善器官功能,促进快速康复提供重要的依据。方法:将ASA分级Ⅰ～Ⅱ级,心功Ⅰ～Ⅱ级,年龄大于30岁的50例行腹腔镜辅助结直肠癌根治术的患者分为右美托咪定组和对照组,患者入室后,右美托咪定组在麻醉诱导前给予静脉微泵输注右美托咪定0.5ug/kg,输注时间15 min后进行麻醉诱导插管,继续以0.4ug/（kg·h）持续静脉泵注,于手术结束前30 min停止给药。对照组同期采用同等容量的生理盐水进行麻醉诱导前的静脉泵注和后续持续静脉泵注。两组患者均采用同样的麻醉诱导和维持方法,于患者入室后（T0）、气管插管后10min（T1）、气腹建立后10min（T2）、气腹建立后60min（T3）、手术结束时（T4）记录患者心率（HR）、平均动脉压（MAP）、同时采集心电数据获得心率变异性的线性指标:相邻正常心跳间期差值平方和的均方根（RMSSD）、低频段功率（LF）、高频段功率（HF）、低频段功率/高频段功率（LF/HF）;非线性指标:去趋势波分析（DFA）中的α2、香农熵（Shan En）、样本熵（Samp En）、庞加莱图表法（Poincare plots）中的散点图短轴（SD1）、散点图长轴（SD2）及散点图短轴/长轴（SD1/SD2）,评估自主神经功能状态。结果:（1）一般情况及术中指标:两组患者在人口统计学特征、手术时间、麻醉时间、气腹持续时间、输液量及失血量差异均无统计学意义（P>0.05）。（2）术中血流动力学指标:两组患者术中MAP值无差异（P>0.05）,两组的MAP值均在T1时下降,T2时较T1升高,T3、T4较T2逐渐下降（P<0.001）。右美托咪定组HR值低于对照组（P<0.05）。右美托咪定组HR值随术后时间的增加而降低;对照组HR值T2较T1升高,T1、T3、T4较T0呈逐渐降低（P<0.001）。（3）心率变异性指标:在T2、T3时右美托咪定组RMSSD均高于对照组（P<0.05）;两组患者T1、T2、T3时RMSSD值均低于于T0和T4（P<0.05）。右美托咪定组HF值均高于对照组（P<0.05）,在T1时下降,T2、T3、T4逐渐升高;对照组T1～T3逐渐下降,T4时升高（P<0.001）。右美托咪定组LF/HF值T3时低于对照组（P<0.05）,在T1～T4时LF/HF值均较T0明显降低（P<0.05）。右美托咪定组DFAα2值低于对照组（P<0.05）,在T1和T2时较T0、T3、T4时高（P<0.05）,对照组在T1、T2、T3时段较T0和T4高、T2时段最高（P<0.05）。在T2、T3时,右美托咪定组的Shan En明显低于对照组（P<0.05）;对照组患者Shan En值T2、T3时高于T0、T1、T4时（P<0.05）。两组患者术中Samp En值无差异（P>0.05）。右美托咪定组在术中T2、T3时SD1值高于对照组（P<0.05）;两组患者术中SD1值T0最高,其次是T4时,T1、T2、T3值均最低（P<0.05）。术中SD1/SD2值在T2和T3时,右美托咪定较对照组高（P<0.05）;两组患者SD1/SD2值在T0～T4时均无差异性（P>0.05）。结论:全身麻醉腹腔镜手术中麻醉诱导插管和气腹建立对心率变异性产生较大影响,表现出交感神经活动性显着增加,副交感神经功能显着抑制,有违自主神经功能平衡的基础;术中持续泵注右美托咪定虽不能完全逆转全麻和气腹导致的自主神经功能的失衡,但能够使交感神经活动性指标降低和副交感神经活动指标升高,对自主神经功能的平衡具有双向调节作用,对减小术中心血管事件风险,改善器官功能状态,促进快速康复具有重要的意义。
李阳[9]（2019）在《基于体表信号的心血管系统电-机械特性分析研究》文中进行了进一步梳理心血管系统疾病的发病率和致死率不断上升,且年轻化趋势愈发严重。无创无损地早期检测心血管疾病,控制心血管事件发生,具有重大的社会意义。体表心血管信号中包含了丰富的生理信息,体表信号分析是无创无损检测心血管疾病的有效方法之一。以心电特征变异性分析为代表的心脏电特性研究和以心音、脉搏波信号分析为代表的心血管机械特性研究,受到了研究者的广泛关注。电特性与机械特性的联合分析可以从整体上描述心血管系统功能状态及变化规律,揭示系统各组分之间的交互作用,然而相关研究尚不多见。本研究旨在联合体表心电、心音和脉搏波信号,系统研究心血管系统的电-机械特性,挖掘心血管疾病无创无损检测的有效信息。本文主要工作及创新点如下:（1）引入动力学模式分析方法,研究了心衰患者和冠心病患者的心脏电特性,探讨了心脏电特性分析对于心血管疾病检测的价值。与健康人相比,心衰患者QT间期显着延长,复杂度降低,心室除极复极活动变得不稳定,但是冠心病患者电特性变化不明显;QT间期变异性分析中需要注意QT间期和RR间期的耦合关系,经典心率校正公式对不同疾病状态下QT序列的校正效果存在差异;动力学模式分析能够捕捉到隐藏在QT时间序列中的细节变化,为检测心脏功能变化提供了新的思路与方法。（2）联合分析心脏电-机械特性,系统地研究了冠心病患者的心脏电活动、机械活动时间序列的变异性和耦合特性。与健康对照组相比,冠心病组的第一第二心音（S1S2）序列标准差显着增大,收缩间期变化更加不规律;QT-S1S2、TQ-S2S1和QQ-S1S1的耦合性指标在冠心病组均显着降低,冠心病患者电-机械活动同步性受损,心脏机械活动对电兴奋的即时反应能力减弱。结果提示,相较于单一的心电或者心音信号分析,电-机械特性联合分析对于无创无损检测冠心病更加有效。（3）系统分析了心脏电机械延迟变异性指标,并结合机器学习算法,实现冠心病组和健康组的自动分类。与健康对照组相比,冠心病患者电机械延迟间期延长,样本熵显着降低,动力学模式中振荡模式比例显着提高,进一步表明动脉粥样硬化病变会导致心肌细胞电-机械活动的不同步;在支持向量机分类结果中,电机械延迟变异性指标的加入,使得分类准确率从基于电特性、机械特性指标的72.9%显着提高到95.8%。上述结果提示心脏电机械延迟特性对冠状动脉病变极具敏感性和特异性,可以作为冠心病患者心脏功能检测的有效指标。（4）基于四肢袖带的脉搏波信号,研究了冠心病和年龄对于人体不同部位间脉搏波传播时间（PTT）以及双侧脉搏波对称性的影响。与健康对照组相比,冠心病组的肱-踝PTT显着缩短,而心脏-肱动脉PTT和心脏-踝动脉PTT均值并没有显着变化;随着年龄增长,肱-踝PTT、心脏-肱动脉PTT和心脏-踝动脉PTT均显着缩短;青年学生组表现出了良好的双侧PTT对称性,年龄增长和冠心病均导致左右侧PTT的差异增大,相似性显着降低。上述结果提示,肱-踝PTT分析以及双侧PTT对称性分析,有助于血管弹性功能评估和冠心病的无创无损检测。
朱富贵[10]（2019）在《基于脑电信号的麻醉深度监测方法研究》文中研究表明麻醉在现代手术过程中占据了极为重要的地位,但是麻醉药物的不恰当使用会导致麻醉的过深或者过浅,无论麻醉的过深还是过浅都会对病人的健康造成很大的危害。麻醉如果过浅则会导致病人出现术中知晓,给病人的身体和心理造成危害;麻醉如果过深则会导致患者的苏醒延迟、身体机能受损、甚至危及生命。所以精确和无创的麻醉深度监测不仅能指导麻醉师的用药,还能确保手术的安全性和有效性为患者提供一个舒适的手术环境。但是,目前还没有一种麻醉深度监测的“金标准”。大脑是直接受到麻醉药物影响的地方,因此脑电信号在麻醉深度的研究方面一直受到研究人员的关注。所以,本文从患者的脑电数据出发,提出了一种麻醉深度监测的方法。本文从30名全麻患者的脑电信号出发,将麻醉状态分为清醒、浅麻醉和麻醉维持,其中麻醉维持又根据BIS值分为BIS值大于40和BIS值小于40两种情况。首先通过对脑电信号的预处理提高信号的信噪比,然后提取脑电信号中与麻醉深度相关的特征值,最后根据麻醉手术过程中各麻醉阶段时间不一致的特点,选择加权K-最近邻（WKNN）算法对不同麻醉阶段的脑电数据进行分类,形成一个完整的麻醉深度监测的算法系统。具体的工作内容如下:（1）针对脑电信号中存在的人体自身的生理信号、电气设备的工频干扰以及基线漂移等问题,借助了基于小波分解、低高通滤波器和经验模态分解（EMD）相结合的滤波算法,滤除脑电信号中含有的干扰,提高信号的信噪比。（2）提取脑电信号中与麻醉深度相关的特征值,通过利用去趋势波动分析、自回归模型（AR模型）以及样本熵三种方法提取脑电信号中有用的特征值。然后,对比三种特征值在不同麻醉深度下的分布情况,并分析提取到的特征值与麻醉深度之间的相关性。（3）根据样本点分布不均匀的特点,选取WKNN分类器。通过优化选取最优的K值,并利用提取到的三类特征值分别对麻醉深度进行分类,将麻醉状态分为清醒、浅麻醉和麻醉维持,其中麻醉维持又根据BIS值分为BIS值大于40和BIS值小于40两种情况,总共将麻醉深度分为四类并判断最后的识别率。（4）通过对三种特征值对麻醉深度分类的结果分析,选取了AR系数和样本熵两种特征值用来对麻醉深度进行分类。通过对AR系数的优化,最后采取25阶AR系数和样本熵组成的特征向量,结合WKNN分类器完成麻醉深度的分类。最终的分析结果和数据表明:脑电数据的样本熵和麻醉深度相关系数达到了0.8,具有很强的相关性。第二阶到第五阶AR系数与麻醉深度都存在着一定的相关性,且最高的相关系数也可以达到0.8左右。通过WKNN的分类结果显示,该方法对麻醉深度分类的准确率高达88.71%,说明本文提出的方法能够很好的完成麻醉深度的监测。
二、生物非线性分析的数据采集（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、生物非线性分析的数据采集（论文提纲范文）
（1）熵测度及压缩感知理论在睡眠质量评估中的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 睡眠问题研究现状及面临的挑战 |
| 1.3 睡眠分期的研究进展 |
| 1.3.1 睡眠分期的定义 |
| 1.3.2 R&K睡眠分期标准 |
| 1.3.3 睡眠分期的分析方法 |
| 1.4 阻塞性睡眠呼吸暂停及脑功能偏侧化研究进展 |
| 1.4.1 阻塞性睡眠呼吸暂停 |
| 1.4.2 脑功能偏侧化及其在睡眠中的初步研究 |
| 1.5 基于心电信号的睡眠问题研究概述 |
| 1.6 本文主要工作及章节安排 |
| 1.6.1 本文的主要工作 |
| 1.6.2 章节安排 |
| 第二章 生理信号分析中的时间序列熵测度和压缩感知理论 |
| 2.1 时间序列熵测度 |
| 2.1.1 近似熵 |
| 2.1.2 样本熵 |
| 2.1.3 模糊熵 |
| 2.1.4 模糊测度熵 |
| 2.1.5 熵测度在生理信号分析中的应用 |
| 2.2 压缩感知 |
| 2.2.1 压缩感知理论的数学模型 |
| 2.2.2 压缩感知在生理信号分析中的应用 |
| 2.3 本章小结 |
| 第三章 基于时间序列熵测度的睡眠分期方法 |
| 3.1 理论及方法 |
| 3.1.1 熵值特征提取 |
| 3.1.2 一对多支持向量机 |
| 3.1.3 性能评估指标 |
| 3.1.4 方法流程 |
| 3.2 实验数据及预处理 |
| 3.3 实验结果 |
| 3.3.1 熵值特征 |
| 3.3.2 独立样本t检验 |
| 3.3.3 非独立样本训练与测试 |
| 3.3.4 独立样本训练与测试 |
| 3.4 讨论 |
| 3.4.1 与现有睡眠分期方法的对比 |
| 3.4.2 睡眠分期结果分析 |
| 3.5 本章小结 |
| 第四章 一种新的睡眠分期熵测度算法—张量近似熵 |
| 4.1 张量近似熵的提出 |
| 4.2 张量近似熵的定义 |
| 4.3 实验设计 |
| 4.3.1 由传统的时间序列构造普通张量 |
| 4.3.2 由多导睡眠数据构造睡眠张量 |
| 4.3.3 张量近似熵的一致性分析 |
| 4.3.4 张量近似熵的辨识能力分析 |
| 4.3.5 张量近似熵的统计检验 |
| 4.4 实验数据 |
| 4.5 实验结果 |
| 4.5.1 张量近似熵在普通张量上的一致性及辨识能力分析 |
| 4.5.2 张量近似熵在睡眠张量上的一致性及辨识能力分析 |
| 4.5.3 统计检验结果 |
| 4.5.4 张量近似熵在睡眠分期中的应用 |
| 4.6 讨论 |
| 4.6.1 张量近似熵在普通张量上的性能分析 |
| 4.6.2 张量近似熵在睡眠分期上的性能对比 |
| 4.7 本章小结 |
| 附录—张量近似熵的MATLAB代码 |
| 第五章 阻塞性睡眠呼吸暂停的脑功能偏侧化研究 |
| 5.1 理论与方法 |
| 5.1.1 模糊熵与偏侧化指数 |
| 5.1.2 增强偏侧化指数 |
| 5.2 实验数据 |
| 5.2.1 UCDDB公开睡眠数据 |
| 5.2.2 临床睡眠数据 |
| 5.3 实验结果 |
| 5.3.1 模糊熵特征提取 |
| 5.3.2 偏侧化指数LI分布 |
| 5.3.3 增强偏侧化指数ELI分布 |
| 5.3.4 统计检验 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 第六章 基于压缩感知理论的睡眠心电信号采样压缩及重构 |
| 6.1 一维睡眠心电信号的压缩感知应用 |
| 6.1.1 模型框架 |
| 6.1.2 评价指标 |
| 6.1.3 数据及仿真流程 |
| 6.1.4 实验结果 |
| 6.2 二维心电信号的压缩感知应用 |
| 6.2.1 模型框架 |
| 6.2.2 实验结果 |
| 6.3 讨论 |
| 6.4 本章小结 |
| 第七章 总结和展望 |
| 7.1 研究总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及参与的科研项目 |
| 发表的学术论文 |
| 申请专利 |
| 主持的科研项目 |
| 参与的科研项目 |
| 学位论文评阅及答辩情况表 |
（2）流化床内生物质与床料颗粒混合流动特性研究及热解过程DEM-CFD数值模拟（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 流化床内生物质与石英砂颗粒混合特性试验研究 |
| 1.3.2 混合颗粒压力脉动特性的非线性分析 |
| 1.3.3 流化床内生物质与床料混合流化的流型识别 |
| 1.3.4 生物质颗粒混合流化特性的模拟研究 |
| 1.3.5 热解动力学模型 |
| 1.3.6 生物质热解过程模拟研究 |
| 1.4 本文研究目标和内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 本文研究路线 |
| 1.6 论文结构 |
| 1.7 本章小结 |
| 参考文献 |
| 第二章 生物质颗粒与石英砂混合流化特性研究 |
| 2.1 引言 |
| 2.2 试验系统介绍 |
| 2.3 试验物料 |
| 2.4 试验工况 |
| 2.5 混合颗粒的流化特性分析 |
| 2.5.1 混合颗粒的床层压降 |
| 2.5.2 生物质与石英砂颗粒混合流化最小流化速度的理论计算 |
| 2.6 混合颗粒的压力脉动信号非线性分析 |
| 2.6.1 Hilbert-Huang变换 |
| 2.6.2 压差脉动信号的Hilbert-Huang变换分析 |
| 2.7 本章小结 |
| 参考文献 |
| 第三章 基于模糊聚类-神经网络算法的流型识别 |
| 3.1 神经网络训练识别系统 |
| 3.2 基于模糊聚类算法建立样本数据库 |
| 3.2.1 聚类数、权重系数的确定 |
| 3.2.2 应用遗传算法优化初始聚类中心函数 |
| 3.3 基于模糊聚类-神经网络算法的流型识别模型 |
| 3.4 流型识别系统模型的建立与应用 |
| 3.4.1 选取聚类模型的特征向量 |
| 3.4.2 确定最佳聚类数、权重系数以及初始聚类中心 |
| 3.4.3 对样本集进行模糊聚类 |
| 3.4.4 训练流型识别系统 |
| 3.4.5 测试流型识别系统 |
| 3.5 本章小结 |
| 参考文献 |
| 第四章 基于欧拉-拉格朗日法的生物质-石英砂颗粒混合流化DEM-CFD模拟研究 |
| 4.1 引言 |
| 4.2 颗粒相模型 |
| 4.2.1 颗粒碰撞模型 |
| 4.2.2 颗粒曳力模型 |
| 4.3 气相模型 |
| 4.4 模型算法 |
| 4.4.1 模拟计算平台 |
| 4.4.2 自适应时间步长 |
| 4.4.3 颗粒局部搜索方法 |
| 4.4.4 模型求解算法 |
| 4.4.5 并行算法优化 |
| 4.5 边界及初始条件的设置 |
| 4.5.1 反应器几何结构及网格划分 |
| 4.5.2 数值计算方法 |
| 4.6 边界条件及参数设置 |
| 4.7 模拟结果及讨论 |
| 4.7.1 瞬时流化状态 |
| 4.7.2 流化床内的压力脉动情况 |
| 4.7.3 宏观尺度下的颗粒流化行为 |
| 4.7.4 介尺度下颗粒的混合流化特性 |
| 4.8 本章小结 |
| 参考文献 |
| 第五章 流化床内生物质热解DEM-CFD模拟研究 |
| 5.1 引言 |
| 5.2 模型概述 |
| 5.3 气相模型 |
| 5.4 颗粒相模型 |
| 5.4.1 颗粒描述方法 |
| 5.4.2 颗粒传热模型 |
| 5.5 热解动力学模型 |
| 5.6 数值模拟对象 |
| 5.6.1 物理模型 |
| 5.6.2 模型参数设定 |
| 5.7 流化床内生物质热解模拟结果及讨论 |
| 5.7.1 模型验证 |
| 5.7.2 不同温度下的热解产物生成率 |
| 5.7.3 不同温度下生物质质量变化 |
| 5.7.4 表观气速对生物质颗粒热解的影响 |
| 5.8 小结 |
| 参考文献 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文主要创新点 |
| 6.3 本文研究不足及展望 |
| 附录 A |
| 附录 B |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
（3）选择性睡眠剥夺对健康志愿者血流动力学及心率变异性的影响（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 资料与方法 |
| 1 研究对象和纳入标准、排除标准 |
| 2 试验过程 |
| 3 试验仪器及数据采集 |
| 4 观察终止事件 |
| 5 观察指标 |
| 6 样本量估计 |
| 7 统计学方法 |
| 结果 |
| 1 机械通气对健康志愿者血流动力学及心率变异性的影响 |
| 2 REM/SWS睡眠剥夺对健康志愿者血流动力学及HRV的影响 |
| 3 根据散点图类型分组研究健康志愿者睡眠剥夺对血流动力学及HRV影响 |
| 讨论 |
| 结论 |
| 局限性及创新点 |
| 参考文献 |
| 综述 |
| 综述参考文献 |
| 攻读学位期间的研究成果 |
| 缩略词表 |
| 致谢 |
（4）基于人体下肢表面肌电信号的动作模式识别及疲劳度分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 本课题研究的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 表面肌电信号的研究现状 |
| 1.2.2 表面肌电信号特征提取的研究现状 |
| 1.2.3 表面肌电信号模式识别的研究现状 |
| 1.2.4 表面肌电信号疲劳性的研究现状 |
| 1.2.5 总结 |
| 1.3 本文主要研究内容与章节安排 |
| 第二章 基于人体下肢运动的表面肌电信号采集实验 |
| 2.1 表面肌电信号的产生机理 |
| 2.2 表面肌电信号的特性分析 |
| 2.3 表面肌电信号的采集 |
| 2.3.1 下肢动作姿态的选择 |
| 2.3.2 表面电极放置位置的选择 |
| 2.3.3 主要硬件设备和软件程序 |
| 2.3.4 肌电信号的采集过程 |
| 2.3.5 肌电信号的采集结果 |
| 2.4 本章小结 |
| 第三章 表面肌电信号的特征提取 |
| 3.1 时域分析法 |
| 3.1.1 时域特征 |
| 3.1.2 计算过程、结果及分析 |
| 3.1.3 时域特征向量 |
| 3.2 频域分析法 |
| 3.2.1 频域特征 |
| 3.2.2 计算过程、结果及分析 |
| 3.2.3 频域特征向量 |
| 3.3 非线性分析法 |
| 3.3.1 非线性特征 |
| 3.3.2 计算过程、结果及分析 |
| 3.3.3 非线性特征向量 |
| 3.4 联合特征向量 |
| 3.5 本章小结 |
| 第四章 基于表面肌电信号的人体下肢运动模式识别 |
| 4.1 模式识别概述 |
| 4.2 人体下肢7种动作类别的模式识别 |
| 4.2.1 模式识别数据 |
| 4.2.2 模式识别方法 |
| 4.2.3 模式识别结果 |
| 4.2.4 结果分析 |
| 4.3 两种姿态下膝关节4种屈伸运动幅度频度的模式识别 |
| 4.3.1 模式识别数据 |
| 4.3.2 模式识别方法 |
| 4.3.3 模式识别结果 |
| 4.3.4 结果分析 |
| 4.4 坐姿状态下3种关节运动方式的模式识别 |
| 4.4.1 模式识别数据 |
| 4.4.2 模式识别方法 |
| 4.4.3 模式识别结果 |
| 4.4.4 结果分析 |
| 4.5 实际应用现实场景实验 |
| 4.6 本章小结 |
| 第五章 基于表面肌电信号的运动疲劳性研究 |
| 5.1 运动模型的建立 |
| 5.2 特征参数的确定 |
| 5.3 计算结果 |
| 5.3.1 躺姿计算结果 |
| 5.3.2 坐姿计算结果 |
| 5.4 结果分析 |
| 5.4.1 躺姿结果分析 |
| 5.4.2 坐姿结果分析 |
| 5.5 疲劳阈值的确定 |
| 5.5.1 基于运动周期的疲劳阈值的确定 |
| 5.5.2 基于样本熵的疲劳阈值的确定 |
| 5.5.3 实验分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 本文研究的特色和创新 |
| 6.3 展望 |
| 参考文献 |
| 科研成果 |
| 致谢 |
（5）基于横断面设计的慢性颈痛患者穴位痛敏特征与自主神经功能相关性的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 引言 |
| 1.研究背景 |
| 2.研究内容 |
| 1.研究目的 |
| 2.研究对象 |
| 2.1 研究对象的来源 |
| 2.2 慢性颈痛患者的选择 |
| 2.3 健康受试者的选择 |
| 3.研究方法 |
| 3.1 研究设计类型 |
| 3.2 样本量计算 |
| 3.3 数据采集或检测方法 |
| 3.4 研究流程图 |
| 3.5 不良事件观察与分析 |
| 3.6 数据质量管理 |
| 3.7 伦理委员会审批及临床试验注册 |
| 3.8 数据统计分析 |
| 4.研究结果 |
| 4.1 基线资料 |
| 4.2 慢性颈痛患者穴位压痛阈的初步分析 |
| 4.3 慢性颈痛患者穴位压痛阈与临床疼痛症状的相关性分析 |
| 4.4 慢性颈痛患者自主神经功能与临床疼痛症状的相关性分析 |
| 4.5 慢性颈痛患者穴位压痛阈与自主神经功能的相关性分析 |
| 讨论 |
| 1.穴位痛敏是穴位敏化理论的重要组成部分 |
| 1.1 关于穴位敏化理论及穴位敏化表现形式 |
| 1.2 基于穴位敏化理论对穴位痛敏的认识 |
| 1.3 基于传统针灸理论对穴位痛敏的认识 |
| 1.4 研究穴位痛敏特征可指导针灸临床选穴 |
| 2.慢性颈痛是研究穴位痛敏特征的可靠载体 |
| 2.1 慢性颈痛是最常见的慢性疼痛类疾病 |
| 2.2 针灸痛敏穴治疗慢性疼痛疗效确切 |
| 2.3 慢性颈痛患者穴位痛敏特征有待深入研究 |
| 3.自主神经功能紊乱是慢性疼痛的常见特征 |
| 3.1 慢性疼痛患者可表现出自主神经功能的紊乱 |
| 3.2 .针灸可调节慢性疼痛患者的自主神经功能,并改善临床疼痛症状 |
| 4.研究方案的设计 |
| 4.1 检测穴位的选取依据 |
| 4.2 穴位痛敏特征检测方式的选择依据 |
| 4.3 自主神经功能检测方式的选择依据 |
| 4.4 临床疼痛症状评估指标的选择依据 |
| 5.对研究结果的讨论 |
| 5.1 慢性颈痛穴位痛敏判定标准的初步构建 |
| 5.2 慢性颈痛患者穴位痛敏特征的初步揭示 |
| 5.3 关于慢性颈痛患者穴位痛敏特征与临床疼痛症状 |
| 5.4 关于慢性颈痛患者自主神经功能与临床疼痛症状 |
| 5.5 关于慢性颈痛患者穴位痛敏特征与自主神经功能 |
| 结论 |
| 创新与特色 |
| 问题与展望 |
| 致谢 |
| 参考文献 |
| 附件 |
| 附件1 文献综述 心率变异性应用于慢性疼痛领域研究的研究设计综述 |
| 参考文献 |
| 附件2 在读期间公开发表的学术论文、专着及科研成果 |
（6）面向情绪识别的脑电特征提取与通道选择方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 创新点 |
| 1.5 论文组织 |
| 第二章 情绪脑电识别方法研究 |
| 2.1 情绪识别与脑电信号研究 |
| 2.1.1 情绪识别研究方法 |
| 2.1.2 情绪脑电信号特征 |
| 2.2 脑电信号特征提取方法 |
| 2.3 脑电信号通道选择方法 |
| 2.4 情绪识别分析流程 |
| 2.5 本章小结 |
| 第三章 基于多尺度排列熵的情绪识别方法 |
| 3.1 多尺度排列熵 |
| 3.1.1 均值粗粒化 |
| 3.1.2 排列熵 |
| 3.1.3 多尺度排列熵 |
| 3.2 表情觉知脑电信号的多尺度排列熵分析 |
| 3.3 实验结果与分析 |
| 3.3.1 数据来源及预处理 |
| 3.3.2 尺度因子的选择 |
| 3.3.3 针对单个被试不同通道的表情熵值区分度分析 |
| 3.3.4 针对多个被试不同通道的表情熵值区分度分析 |
| 3.4 本章小结 |
| 第四章 基于Relief-FGSBS的情绪识别脑电通道选择方法 |
| 4.1 特征提取 |
| 4.1.1 一阶差分绝对值的均值 |
| 4.1.2 分形维数 |
| 4.1.3 离散小波变换 |
| 4.2 Relief-FGSBS方法 |
| 4.2.1 Relief算法 |
| 4.2.2 FGSBS算法 |
| 4.2.3 Relief-FGSBS方法 |
| 4.3 基于Relief-FGSBS的脑电信号通道选择方法 |
| 4.4 实验结果与分析 |
| 4.4.1 数据准备 |
| 4.4.2 性能评价 |
| 4.4.3 基于单个特征的Relief-FGSBS脑电通道选择分析 |
| 4.4.4 基于组合特征的Relief-FGSBS脑电通道选择分析 |
| 4.5 本章小结 |
| 第五章 总结和展望 |
| 5.1 全文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间的主要成果 |
| 致谢 |
（7）基于短期心率变异性的高血压患者自主神经模式分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究的科学问题 |
| 1.4 论文研究内容与创新点 |
| 1.4.1 论文的研究内容 |
| 1.4.2 论文创新点 |
| 1.5 论文结构安排 |
| 1.6 本章小结 |
| 第二章 自主神经活动数据集构建 |
| 2.1 心脏的自主神经控制基础 |
| 2.2 标准数据库 |
| 2.2.1 高血压患者心电数据 |
| 2.2.2 健康受试者心电数据 |
| 2.3 心电信号的读取 |
| 2.4 RR间期数据集 |
| 2.5 本章小结 |
| 第三章 自主神经活动数据预处理 |
| 3.1 自主神经模式研究的生理指标 |
| 3.2 心电理论基础 |
| 3.2.1 心电的产生 |
| 3.2.2 正常的心电信号 |
| 3.3 心电信号预处理 |
| 3.3.1 基线漂移概述 |
| 3.3.2 基于小波变换去除基线漂移 |
| 3.4 R波波峰定位及RR间期的计算 |
| 3.4.1 常见的R波波峰定位方法 |
| 3.4.2 本文R波波峰定位方法 |
| 3.4.3 RR间期时间序列的计算 |
| 3.5 本章小结 |
| 第四章 自主神经模式分析方法 |
| 4.1 特征提取 |
| 4.1.1 线性特征提取 |
| 4.1.2 非线性特征提取 |
| 4.1.3 数据归一化 |
| 4.2 统计检验 |
| 4.3 特征选择 |
| 4.4 分类 |
| 4.4.1 分类器理论 |
| 4.4.2 分类指标 |
| 4.5 模型验证 |
| 4.6 本章小结 |
| 第五章 结果与讨论 |
| 5.1 统计检验结果 |
| 5.2 SBS迭代结果 |
| 5.3 模型验证结果 |
| 5.4 模型优化与讨论 |
| 5.5 相关工作对比 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学术论文 |
| 攻读硕士期间参与的研究项目 |
（8）右美托咪定对腹腔镜手术全身麻醉下自主神经功能指标心率变异性的影响（论文提纲范文）
| 中文摘要 |
| Abstract |
| 前言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 参考文献 |
| 英汉缩略词对照表 |
| 右美托咪定对自主神经功能的影响 综述 |
| 参考文献 |
| 攻读硕士学位期间发表论文情况 |
| 致谢 |
（9）基于体表信号的心血管系统电-机械特性分析研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 心血管系统电机械特性概述 |
| 1.3 基于体表生理信号的心血管系统电机械特性研究进展 |
| 1.3.1 心脏电特性研究进展 |
| 1.3.2 心血管机械特性研究进展 |
| 1.3.3 心血管系统电-机械特性联合分析研究进展 |
| 1.4 研究内容和章节安排 |
| 第二章 基于心电信号的心脏电特性研究 |
| 2.1 引言 |
| 2.2 数据采集与处理 |
| 2.2.1 数据来源与分组 |
| 2.2.2 电特性时间序列的构建 |
| 2.3 时间序列的分析 |
| 2.3.1 心率校正 |
| 2.3.2 变异性分析 |
| 2.4 结果分析 |
| 2.4.1 冠心病患者和心衰患者的QT-RR相关性变化 |
| 2.4.2 冠心病患者和心衰患者的QTV变化 |
| 2.5 讨论 |
| 2.6 本章小结 |
| 第三章 基于心电与心音信号的心脏电-机械耦合特性研究 |
| 3.1 引言 |
| 3.2 数据采集和处理 |
| 3.2.1 数据来源与分组 |
| 3.2.2 电和机械特性时间序列的构建 |
| 3.3 时间序列的分析 |
| 3.3.1 变异性分析 |
| 3.3.2 耦合性分析 |
| 3.4 结果分析 |
| 3.4.1 冠心病患者变异性指标的变化 |
| 3.4.2 冠心病患者电-机械耦合特性的变化 |
| 3.5 讨论 |
| 3.6 本章小结 |
| 第四章 基于心电与心音信号的心脏电机械延迟特性研究 |
| 4.1 引言 |
| 4.2 数据采集与处理 |
| 4.2.1 数据来源和分组 |
| 4.2.2 电机械延迟时间序列的构建 |
| 4.3 时间序列分析与分类 |
| 4.3.1 变异性分析 |
| 4.3.2 支持向量机 |
| 4.4 结果分析 |
| 4.4.1 冠心病患者HRV、SPV、DPV、EMDV的变化 |
| 4.4.2 支持向量机分类结果 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第五章 基于心电和四肢袖带脉搏波信号的心血管系统电机械特性研究 |
| 5.1 引言 |
| 5.2 数据釆集与处理 |
| 5.2.1 数据来源与分组 |
| 5.2.2 心血管电机械特性时间序列的构建 |
| 5.3 时间序列分析 |
| 5.3.1 变异性分析 |
| 5.3.2 对称性分析 |
| 5.4 结果分析 |
| 5.4.1 年龄对肱-踝脉搏波传播时间的影响 |
| 5.4.2 冠心病对肱-踝脉搏波传播时间的影响 |
| 5.4.3 年龄对心脏-四肢脉搏波传播时间的影响 |
| 5.4.4 冠心病对心脏-四肢脉搏波传播时间的影响 |
| 5.5 讨论 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的成果和奖励 |
| 学术论文与专利 |
| 荣誉或奖励 |
| 攻读博士学位期间参与的科研项目 |
| 学位论文评阅及答辩情况表 |
（10）基于脑电信号的麻醉深度监测方法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 麻醉深度 |
| 1.2.1 麻醉的发展历程 |
| 1.2.2 麻醉深度 |
| 1.2.3 麻醉深度的判别 |
| 1.3 脑电信号与其特点 |
| 1.3.1 脑电信号的分类 |
| 1.3.2 脑电信号的特点 |
| 1.4 脑电信号的分析方法 |
| 1.4.1 时域分析 |
| 1.4.2 频域分析 |
| 1.4.3 时频域分析 |
| 1.4.4 非线性分析方法 |
| 1.5 麻醉深度的研究现状 |
| 1.5.1 国内研究现状 |
| 1.5.2 国外研究现状 |
| 1.6 本文研究背景及意义 |
| 1.7 论文主要内容和结构 |
| 2 基于脑电信号的麻醉深度监测 |
| 2.1 麻醉深度对脑电信号的影响 |
| 2.2 算法的基本流程 |
| 2.3 脑电信号中的噪声 |
| 2.4 脑电信号中的特征值提取 |
| 2.4.1 去趋势波动分析 |
| 2.4.2 AR模型 |
| 2.4.3 信息熵的分析方法 |
| 2.5 加权K最近邻类算法 |
| 2.6 本章小结 |
| 3 脑电信号的采集与预处理 |
| 3.1 脑电数据的采集 |
| 3.2 噪声的消除 |
| 3.2.1 眼电信号的去除 |
| 3.2.2 工频干扰去除 |
| 3.2.3 基线漂移的去除 |
| 3.3 本章小结 |
| 4 脑电信号特征值与麻醉深度之间的关系 |
| 4.1 去趋势波动分析与麻醉深度的关系 |
| 4.1.1 去趋势波动分析的差异 |
| 4.1.2 麻醉状态不同时的波动函数特征值 |
| 4.1.3 波动函数特征值与麻醉深度的相关性 |
| 4.2 AR模型与麻醉深度的关系 |
| 4.2.1 AR模型参数的求解 |
| 4.2.2 麻醉状态不同时的AR系数 |
| 4.2.3 AR系数与麻醉深度的相关性 |
| 4.3 样本熵与麻醉深度的关系 |
| 4.3.1 样本熵的基本原理 |
| 4.3.2 麻醉状态不同时的样本熵 |
| 4.3.3 样本熵的与麻醉深度的相关性 |
| 4.4 本章小结 |
| 5 基于脑电信号的麻醉深度监测 |
| 5.1 脑电信号单特征值的麻醉深度监测 |
| 5.1.1 WKNN参数的优化 |
| 5.1.2 去趋势波动分析与麻醉深度分期 |
| 5.1.3 AR系数与麻醉深度分期 |
| 5.1.4 样本熵与麻醉深度分期 |
| 5.2 脑电信号多特征值的麻醉深度监测 |
| 5.2.1 AR系数与样本熵的麻醉深度分期 |
| 5.2.2 分类结果分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| A 作者在攻读硕士学位期间发表的论文目录 |
| B 作者在攻读硕士学位期间取得的科研成果目录 |
| C 学位论文数据集 |
| 致谢 |
四、生物非线性分析的数据采集（论文参考文献）
- [1]熵测度及压缩感知理论在睡眠质量评估中的研究与应用[D]. 张志民. 山东大学, 2020(01)
- [2]流化床内生物质与床料颗粒混合流动特性研究及热解过程DEM-CFD数值模拟[D]. 王恒. 东南大学, 2020
- [3]选择性睡眠剥夺对健康志愿者血流动力学及心率变异性的影响[D]. 许亚慧. 青岛大学, 2020(01)
- [4]基于人体下肢表面肌电信号的动作模式识别及疲劳度分析[D]. 范光辉. 安徽工业大学, 2020(07)
- [5]基于横断面设计的慢性颈痛患者穴位痛敏特征与自主神经功能相关性的研究[D]. 王林嘉. 成都中医药大学, 2020
- [6]面向情绪识别的脑电特征提取与通道选择方法研究[D]. 刘晓凤. 山东师范大学, 2020(08)
- [7]基于短期心率变异性的高血压患者自主神经模式分析[D]. 张瑞琪. 西南大学, 2020(01)
- [8]右美托咪定对腹腔镜手术全身麻醉下自主神经功能指标心率变异性的影响[D]. 杜艺. 西南医科大学, 2020(06)
- [9]基于体表信号的心血管系统电-机械特性分析研究[D]. 李阳. 山东大学, 2019(02)
- [10]基于脑电信号的麻醉深度监测方法研究[D]. 朱富贵. 重庆大学, 2019(01)