摘要 | 第4-5页 |
Abstract | 第5-6页 |
主要符号对照表 | 第9-10页 |
第1章 绪论 | 第10-14页 |
1.1 课题背景和研究意义 | 第10-11页 |
1.2 研究现状和发展趋势 | 第11-13页 |
1.3 本文的写作结构安排 | 第13-14页 |
第2章 基于智能终端的生命体征测量原理 | 第14-22页 |
2.1 指端近视频信号和血液动力学理论 | 第14-17页 |
2.1.1 智能终端采集的指端近视频 | 第14-15页 |
2.1.2 Lambert-Beer定律 | 第15-16页 |
2.1.3 血流动力学与人体生命体征测量 | 第16-17页 |
2.2 基于智能终端近视频的人体生命体征计算原理 | 第17-20页 |
2.2.1 心率的检测原理和心率变异性分析 | 第17-18页 |
2.2.2 呼吸率的检测原理 | 第18-19页 |
2.2.3 动脉的收缩压和舒张压 | 第19-20页 |
2.3 基于智能终端测量方法的优势和发展方向 | 第20-21页 |
2.4 本章小结 | 第21-22页 |
第3章 指端近视频信号处理算法研究 | 第22-35页 |
3.1 指端近视频信号特性分析 | 第22-23页 |
3.2 信号的增强与降噪 | 第23-29页 |
3.2.1 自适应的ROI选取方法 | 第23-26页 |
3.2.2 卡尔曼滤波器设计 | 第26-28页 |
3.2.3 信号的基线漂移去除算法设计 | 第28-29页 |
3.3 指端检测算法设计 | 第29-30页 |
3.3.1 R分量均值计算模块介绍 | 第29-30页 |
3.3.2 基于R分量的手指检测算法 | 第30页 |
3.4 有效信号检测算法设计 | 第30-34页 |
3.4.1 FSM的引入 | 第31-32页 |
3.4.2 基于米利FSM的信号状态检测算法 | 第32-34页 |
3.5 本章小结 | 第34-35页 |
第4章 智能终端近视频信号特征提取算法设计 | 第35-47页 |
4.1 基于差商阈值法的PV检测算法 | 第35-39页 |
4.1.1 差商阈值法 | 第35-37页 |
4.1.2 自适应的阈值选取算法设计 | 第37-38页 |
4.1.3 算法效果分析 | 第38-39页 |
4.2 基于极大似然估计的奇异信号定位算法 | 第39-42页 |
4.2.1 极大似然估计法的引入 | 第39-41页 |
4.2.2 奇异信号检测效果分析 | 第41-42页 |
4.3 基于EMD的信号分解算法 | 第42-44页 |
4.3.1 经验模态分解法的引入 | 第42-43页 |
4.3.2 呼吸信号的分解与重构 | 第43-44页 |
4.4 基于梯形面积公式的近视频特征曲线积分计算 | 第44-45页 |
4.5 本章小结 | 第45-47页 |
第5章 应用设计与实验数据分析 | 第47-66页 |
5.1 应用平台介绍与选择 | 第47-50页 |
5.1.1 硬件平台 | 第47-49页 |
5.1.2 软件平台 | 第49-50页 |
5.2 应用系统设计 | 第50-53页 |
5.2.1 SDK设计概述 | 第50页 |
5.2.2 实验应用设计 | 第50-52页 |
5.2.3 测量应用实现效果 | 第52-53页 |
5.3 实验及测量数据分析 | 第53-65页 |
5.3.1 心率及心率变异性检测 | 第53-60页 |
5.3.2 呼吸率检测 | 第60-63页 |
5.3.3 收缩压和舒张压 | 第63-65页 |
5.4 本章小结 | 第65-66页 |
第6章 总结与展望 | 第66-69页 |
6.1 论文工作总结 | 第66-67页 |
6.2 下一步研究计划 | 第67-69页 |
参考文献 | 第69-72页 |
致谢 | 第72-73页 |
附录A 攻读硕士学位期间的科研成果与参与的科研项目 | 第73页 |
【攻读硕士学位期间的科研成果】 | 第73页 |
【攻读硕士学位期间参加的科研项目】 | 第73页 |