کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4946818 | 1439556 | 2018 | 10 صفحه PDF | دانلود رایگان |
کلمات کلیدی
1. مقدمه
شکل 1: الگوی قرار دادن الکترودها و سریهای زمانی داده های جمع آوری شده
شکل 2:مصنوعات و نویزهای متفاوت ایجاد شده در سیگنال ECG
شکل 3جابه¬جایی مصنوعات حذف شده از سیگنال اصلی با اعمال فیلتر میانه
شکل 4 :الگوی تجزیه ئ بازسازی موج
شکل 5 :فیلتر نویز با ششمین تقریب موج
2. مرحله تجربی
3. افزایش تشخیص پیک R
3.1 فیلتر میانه
3-2 تحلیل موج
3.3. محاسبه سرعت قلب
شکل 6: R پیک تشخیص داده شده در تقریب موج و در ECG اصلی
شکل 7: HR محاسبه شده و HR به دست آمده از تجهیزات تجاری
4. پردازش سیگنال نفس
4.1 تجزیه و تحلیل مکرر سیگنال نفس
4.2 تجزیه و تحلیل آماری و روند نرم افزاری
شکل 8: طیف فرکانس سیگنال نفس
شکل 9: همبستگی بین امواج سینوسی خالص و سیگنال RESP توسط پنجره های مختلف.
5. سیستم فازی تشخیص استرس پیشنهاد شده
شکل 10 اثر تقسیم انحراف استاندارد: سیگنال نفس و همبستگی مکرر.
شکل 11افزایش تفاوت پیک¬ها بعد از پالایش انحراف استاندارد
5.1 توابع عضویت ورودی و تجزیه GSR
5.2 واسط سیستم استنتاجی
شکل12: یک سیگنال HR با تغییر پذیری سریع
شکل 12: همپوشانی توابع عضویت HR
جدول 3:روابط متغییرهای ورودی
5.3 نتایج مقایسه ای از سیستم ها
شکل 13: HR، GSR، تغییرات GSR و ورودی های انحراف استاندارد RESP و خروجی های برآورد شده استرس برآورد شده برای این سه روش.
6. نتیجه گیری و کار آتی
Nowadays, it is crucial to promote and develop the autonomy of people, and specifically of individuals with some disability, in order to improve their life quality and achieve a better inclusion into socio-cultural life. Therefore, the identification of stress situations can be a suitable assistive tool for improving their socio-cultural inclusion. This work presents important enhancements and variations for an existing fuzzy logic stress detection system based on monitoring and processing different physiological signals (heart rate, galvanic skin response and breath). First, it proposes a method based on wavelet processing to improve the detection of R peaks of electrocardiograms. Afterwards, it proposes to decompose the galvanic response signal into two components: the average value and the variations. In addition, it proposes to extract information out the breath signal by analyzing its frequential composition. Finally, an improved response in detecting stress changes is shown in comparison with other previous works.
Journal: Neurocomputing - Volume 271, 3 January 2018, Pages 48-57