基于FPGA的呼吸异常辨识关键技术研究

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1基于射频传感器的呼吸检测技术的研究现状

1.2.2呼吸异常检测与辨识技术的研究现状

1.3 论文结构安排

2 基于射频传感器的呼吸异常辨识系统

2.1 射频传感器介绍

2.2 数字信号处理平台介绍

2.2.1 FPGA开发平台介绍

2.2.2 DSP开发平台介绍

2.3 本章小结

3 信号预处理和特征提取的FPGA 实现

3.1 数字中频模块

3.1.1 ADC与FPGA间的数据传输

3.1.2 数字下变频

3.2 回波信号预处理

3.2.1 回波信号预处理算法

3.2.2 回波信号预处理算法的FPGA实现

3.3 呼吸信号的时域特征提取

3.3.1 呼吸信号在时域的特征定义

3.3.2 呼吸信号时域特征提取的FPGA实现

3.4 呼吸信号频域的特征提取

3.4.1 呼吸信号频域的特征定义

3.4.2 呼吸信号频率特征的FPGA实现

3.5 数据传输模块的FPGA实现

3.5.1 网口传输的FPGA 实现

3.5.2 数据缓存的FPGA 实现

3.6 本章小结

4 基于机器学习的呼吸异常辨识及其实现

4.1 基于k近邻分类算法的呼吸异常辨识

4.1.1 k 近邻分类算法

4.1.2 基于MATLAB的k 近邻分类算法

4.1.3 基于FPGA的k 近邻分类算法实现

4.2基于线性支持向量机的呼吸异常辨识

4.2.1线性支持向量机算法

4.2.2基于MATLAB的线性支持向量机

4.2.3基于DSP的线性支持向量机实现

4.3基于随机森林分类算法的呼吸异常辨识

4.3.1 决策树分类算法以及随机森林分类算法

4.3.2 基于MATLAB的随机森林分类算法

4.3.3 基于DSP的随机森林分类算法实现

4.4本章小结

5 实验设置与结果分析

5.1 实验室环境下的实验设置

5.2 实验室环境下的分类模型构建及结果分析

5.2.1 基于FPGA的k 近邻分类结果

5.2.2 基于DSP的线性支持向量机分类结果

5.2.3 基于DSP的随机森林分类结果

5.2.4决策级融合的分类结果

5.3 算法改进与优化

5.3.1 改进算法的k近邻分类结果

5.3.2 改进算法的线性支持向量机分类结果

5.3.3 改进算法的随机森林分类结果

5.3.4 改进算法的决策级融合分类结果

5.4 改进算法的实测数据结果分析

5.5 本章小结

6 总结和展望

致谢

参考文献

附录