论文部分内容阅读
随着可穿戴智能设备迅速发展以来,人们越来越关注个人的身体健康。而人类的大部分时间是处于睡眠中的,拥有良好的睡眠,不仅可以使人精力充沛、体力旺盛,还可以预防疾病。所以,利用可穿戴设备进行睡眠监测是非常必要的。通过设备获取的睡眠数据,识别睡眠的阶段,评估睡眠质量,进而改善睡眠。有时睡眠的好坏,也决定着运动情况,所以要进一步探究睡眠与运动的关系。本文针对睡眠识别过程中的数据获取、特征提取、分类方法等重要问题进行研究,主要研究内容有:1.针对人类睡眠识别过程中的数据获取和特征选择问题,利用智能手机来搜集声音和体动数据,并对其进行预处理,并提出联合特征提取和特征选择的TSFS方法。单纯的使用一种方法来选择特征,都会存在着一定的弊端。该方法是将特征提取和特征选择两种方法的联合,不仅可以筛选出符合实际情况的特征,而且还提高了分类的准确度。2.针对人类睡眠识别过程中的分类方法问题,提出基于改进二叉树的Multi-SVM睡眠分类器融合方法。单纯的使用一种分类方法,分类准确度难以得到提升。该方法是将多个SVM分类器组合成单枝的二叉树的形状,且树的每个节点都用一个二分类的SVM来分类。不仅降低了分类误差的积累,同时也提高了分类准确度。3.针对人类睡眠与运动的关系,提出基于Aprior方法的睡眠与运动预测模型。通过智能设备获取睡眠和运动数据,对其进行特征提取、分类识别。长期统计睡眠及运动情况,并用Aprior关联规则挖掘方法挖掘出睡眠与运动间的关系。经大量实验证明,睡眠质量在一定程度上影响着运动强度。