处理雷达横截面性能约束条件下监测生命体征gydF4y2Ba

1介绍gydF4y2Ba

以前,超宽波段标准(UWB)被允许未经授权的操作领域的3.1 - -10.6 GHz (gydF4y2Ba费尔南德斯和Wentzloff 2010)gydF4y2Ba。超宽频的自授权联邦通信委员会2002年,超宽波段无线通信(一个巨大的贡献gydF4y2Ba丰塔纳,2004gydF4y2Ba;gydF4y2Ba李et al ., 2010gydF4y2Ba;gydF4y2BaCholiz et al ., 2011)gydF4y2Ba和雷达传感器应用程序(gydF4y2BaOziel et al ., 2017gydF4y2Ba;gydF4y2Ba恐惧et al ., 2002gydF4y2Ba;gydF4y2BaBuehrer et al ., 2003gydF4y2Ba;gydF4y2Ba拉萨罗et al ., 2009gydF4y2Ba;gydF4y2Ba泰尔et al ., 2010)gydF4y2Ba。超宽的乐队有很多优势即力量在严酷的环境下,定位精度和高渗透能力(gydF4y2BaBriso et al ., 2019)gydF4y2Ba等等IR-UWB雷达的帮助下,微观和宏观运动可以感觉到在人体(gydF4y2BaStaderini, 2002)gydF4y2Ba。由于这样的原因,超宽频医疗领域的大型应用程序,因为它消耗更少的能量,提供更高的外延质量(gydF4y2BaGrewal编写和安德鲁斯,2001)gydF4y2Ba。生命体征的监测已经获得了更多的关注,以防非传染性病人的监测和寻找人们在自然灾害(gydF4y2Ba汗et al ., 2020gydF4y2Ba;gydF4y2Ba2020年勒gydF4y2Ba;gydF4y2Ba杨et al ., 2020)gydF4y2Ba。gydF4y2Ba图1gydF4y2Ba显示了这项工作的实验装置。病人坐在前面的雷达在1米左右。雷达信号从人体散射以及背景环境。背景信号被认为是混乱和删除使用移动平均滤波器而移动信号的一部分包含位移引起的人类的肺和心脏。这些周期性运动使用信号处理技术从信号中提取本工作的第2部分中解释。gydF4y2Ba

静态超宽频的标准模型gydF4y2Ba克莱默et al ., (2002)gydF4y2Ba可以表示为gydF4y2Ba

扩展的版本中使用多通道超宽频模型(gydF4y2Ba刘et al ., 2019gydF4y2Ba开发),如下:gydF4y2Ba

在上面的方程中,gydF4y2BaαgydF4y2Ba时间延迟和吗gydF4y2BatgydF4y2Ba显示时间的实例。最分散的m线重叠是通道模型参数gydF4y2Ba $\mathrm{ygydF4y2Ba}\left(\mathrm{tgydF4y2Ba},gydF4y2Ba\mathrm{\alpha gydF4y2Ba}\right)$ 。指定路径的到达时间gydF4y2BajgydF4y2Ba可以访问吗gydF4y2Ba ${\mathrm{ngydF4y2Ba}}_{\mathrm{jgydF4y2Ba}}\left(\mathrm{tgydF4y2Ba}\right)$ 。gydF4y2Ba ${\mathrm{\rho gydF4y2Ba}}_{\mathrm{jgydF4y2Ba}}\left(\mathrm{tgydF4y2Ba}\right)$ 表示路径和的大小gydF4y2Ba ${\mathrm{\phi gydF4y2Ba}}_{\mathrm{jgydF4y2Ba}}(gydF4y2Ba\mathrm{\alpha gydF4y2Ba}-gydF4y2Ba{\mathrm{ngydF4y2Ba}}_{\mathrm{jgydF4y2Ba}}\left(\mathrm{tgydF4y2Ba}\right))gydF4y2Ba$ 显示波形的路径。以前,傅里叶变换(FT)仍然是一个主要方案生命体征监测患者(gydF4y2Ba汗et al ., 2020gydF4y2Ba)。尽管许多研究人员使用英尺呼吸和心率测量算法使用带通滤波。然而,有时呼吸信号产生谐波的积分倍数呼吸频率和心率频率谐波的重叠区域。由于呼吸运动幅度高于心率变得困难或不可能使用简单的带通滤波提取心率。由于这样的原因,英国《金融时报》并不是一个适合分析非平稳数据的选择(gydF4y2Ba汗et al ., 2018gydF4y2Ba)。因此,它仍然是非常可取的引入方法,可以同时提供频率定位和时间信息本地化。这个问题,短期内英尺(STFT)满足需要同步频率和时间信息(gydF4y2Ba汗,赵,2017年gydF4y2Ba),采用STFT会导致决策问题,如窗口大小的选择和时间分辨率(gydF4y2Ba汗et al ., 2020gydF4y2Ba)。STFT的另一个重要难题是其不变的窗口大小。因此,狭窄的窗户提供高时间分辨率,但频率精度低,而宽的窗户提供改进的频率精度,但可怜的时间精度。连续小波变换(WT)已经被开发为一种替代的方法将短时间英尺来解决上述问题。WT的一个重要特点是,它提供了结果即使变量窗口大小,因此比英尺(通过WT提取信息非常有吸引力gydF4y2Ba沈et al ., 2018gydF4y2Ba)。gydF4y2Ba

在这个领域一个重要的挑战是应对可能发生的间歇或异常数据因为各种各样的原因。毫无疑问,输出数据的可用性进行处理目的是大多数通信系统所必需的。在这一点上,它可能是更重要的需要考虑的可能后果打断或间歇性数据诊断病人。数据丢失的主要原因发生在病人的位置略有偏移和不准确的脸雷达/传感器在一段时间内,所以雷达截面(RCS)窄波束宽度在天线前降低,导致间歇测量。在本例中,我们忽略了离群值,并把它们当作缺失的数据。本文也旨在确定这些数据丢失并提出补救措施的形式的鲁棒算法。在一个相关的工作(gydF4y2Ba顾et al ., 2013gydF4y2Ba用摄影机),雷达传感器系统辅助随机身体运动检测和跟踪。然而,它是昂贵的使用额外的摄像机跟踪人体运动。在(gydF4y2Ba卡迪罗et al ., 2021gydF4y2Ba),只有一个雷达传感器用于生命体征和运动检测,然而,运动被认为是在工作是由于没有考虑雷达传感器和人体运动的工作。在我们的工作,中断或间歇性数据的来源并不重要。本文的主要贡献是最好的解释示意图所示gydF4y2Ba图2gydF4y2Ba,这也说明了本文中使用的策略。gydF4y2Ba

有必要通过许多技术状态可以恢复数据丢失,主要取决于结构或模式中可用的数据。在(gydF4y2Ba汗et al ., 2019gydF4y2Ba),本文假定处理时间间隔足够有限,这样信号几乎可以被看作是静止的。本文的主要贡献是提出了一个算法基于WT和ARMA模型。精心挑选一个合适的小波检测呼吸和心跳信号在雷达散射信号。提出一个ARMA模型预测丢失的数据,可能会导致不准确的测量过程至关重要。另一个贡献是,这项工作是基于真实雷达数据被收集在一所大学医院的病人。gydF4y2Ba

本文的结构是:第二部分描述现有技术的细节数据丢失。第三节包含基于自回归移动平均(ARMA)模型和小波变换。第四节描述的场景当没有数据丢失生命体征的测量。第五节介绍了在生命体征测量数据丢失的情况。第六节包括测量恢复通过AR-based模型。第七节包括损失恢复测量通过提出ARMA-based模型。最后,第七节总结这项工作,并讨论了在这一研究领域未来可能的工作。gydF4y2Ba

值得一提的是,本文中的所有结果都是基于雷达技术使用Xethru X4 (Novelda、挪威)传感器(gydF4y2Ba安徒生et al ., 2017gydF4y2Ba)。这个雷达传感器的中心频率与带宽8.7 GHz 2.9 GHz。输出功率、脉冲重复频率和波束宽度参数-12.6 dB m,分别为400 MHz和65°。传感器有一个非常好的6.4厘米的距离分辨率。它由一个发射器和一个接收器天线。雷达传感器是通过USB电缆连接到电脑的。回雷达散射信号处理在电脑使用Matlab软件。gydF4y2Ba

2包丢失的现有技术gydF4y2Ba

几种机制存在处理数据丢失,如开环估计(OLE)和闭环补偿估计(CCLE)。在接下来的小节,简要阐述了这些算法的缺陷有关。gydF4y2Ba

2.1开环估计gydF4y2Ba

这是一个非常简单的方案设计了数据丢失和被使用在许多应用程序。OLE的基本机制讨论如下:gydF4y2Ba

对于离散时间线性时不变系统,动力学gydF4y2Ba

标准的卡尔曼滤波估计gydF4y2BaxgydF4y2Ba_{kgydF4y2Ba+ 1 |gydF4y2BakgydF4y2Ba}在两个步骤即prediction-cycle和更新周期。标准卡尔曼滤波器相反,奥立了gydF4y2Ba算法1gydF4y2Ba。OLE复苏是信号的快速算法,然而,它可能会导致分歧的足够的数据丢失和突然的外壳和波谷可能出现在信号中恢复过来。此外,它可能很难达到稳态后恢复原始信号。由于这些限制,在下一节时间序列算法提出了预测信号的缺失的部分。gydF4y2Ba

算法1gydF4y2Ba开环估计gydF4y2Ba

2.2系列算法gydF4y2Ba

闭环补偿方案有效地重建丢失的数据,并承诺取得了估计结果。最近的成就通过这个模型中可以看到gydF4y2Ba汗et al。(2013)gydF4y2Ba和gydF4y2Ba汗et al。(2010)gydF4y2Ba。数据丢失发生在系列可能有任何趋势更有望恢复通过自回归(AR)系列。这些系列包括AR、马和ARMA等等,不一而足。人类重要的信号具有周期性规律,因此可以通过AR系列中恢复过来。AR模型用于补偿测量的数学公式gydF4y2Ba

在哪里gydF4y2BaγgydF4y2Ba_jgydF4y2Ba是预测系数,gydF4y2BaygydF4y2Ba_{kgydF4y2Ba−gydF4y2BajgydF4y2Ba}是以前的观察样品存储在内存堆栈,然后呢gydF4y2BaWgydF4y2Ba线性预测滤波器的顺序。预测的最优值系数可以计算gydF4y2Ba

在那里,gydF4y2Ba

是向量包含未知系数,gydF4y2Ba

线性预测数组并吗gydF4y2Ba

是自相关矩阵。线性预测的元素数组和自相关矩阵可以得到gydF4y2Ba

的帮助下gydF4y2Ba方程4gydF4y2Ba线性预测系数的最优值计算,然后采用找到丢失的样品使用gydF4y2Ba情商。gydF4y2Ba。AR模型只使用测量向量的线性预测(LPC)系数计算,然而,在我们提出ARMA-based重建至关重要的信号输入以及测量向量用于LPC的计算,提高了预测精度。gydF4y2Ba

3提出ARMA-Based模型和小波变换gydF4y2Ba

在随后的部分中,我们提出的模型是基于ARMA系列。gydF4y2Ba

3.1提出ARMA-Based模型gydF4y2Ba

本文使用的数据恢复方案是基于基于ARMA模型。基于ARMA模型的数学描述如下;gydF4y2Ba

在那里,gydF4y2Ba

在上面的方程中,W表示滤波器线性预测订单,gydF4y2BaygydF4y2Ba_{kgydF4y2Ba−gydF4y2BajgydF4y2Ba}显示传感器读数和gydF4y2BaugydF4y2Ba_{kgydF4y2Ba−gydF4y2BajgydF4y2Ba}显示装置/系统的输入信号。这些符号gydF4y2BaγgydF4y2Ba_jgydF4y2Ba和gydF4y2BaδgydF4y2Ba_jgydF4y2Ba分别代表权重给测量和输入。错误产生的补偿向量gydF4y2Ba

在哪里gydF4y2BaygydF4y2Ba_kgydF4y2Ba是实际的观测向量。为了有效地计算线性预测系数、均方预测误差的代价函数由;gydF4y2Ba

或gydF4y2Ba

为了找到最优的价值gydF4y2BaγgydF4y2Ba_jgydF4y2Ba,这将导致最低成本函数,我们继续gydF4y2Ba

让gydF4y2Ba

替换gydF4y2BaEq。15gydF4y2Ba在gydF4y2BaEq。14gydF4y2Ba将导致gydF4y2Ba

类似地,最优值gydF4y2BaδgydF4y2Ba_jgydF4y2Ba计算为gydF4y2Ba

替换gydF4y2BaEq。19gydF4y2Ba在gydF4y2BaEq。18gydF4y2Ba将导致gydF4y2Ba

乘gydF4y2BaEq。16gydF4y2Ba通过gydF4y2BalgydF4y2Ba_4gydF4y2Ba和gydF4y2BaEq。20gydF4y2Ba通过gydF4y2BalgydF4y2Ba_2gydF4y2Ba即同时和解决。gydF4y2Ba

乘gydF4y2BaEq。16gydF4y2Ba通过gydF4y2BalgydF4y2Ba_3gydF4y2Ba和gydF4y2BaEq。20gydF4y2Ba通过gydF4y2BalgydF4y2Ba_1gydF4y2Ba即同时和解决。gydF4y2Ba

使用gydF4y2BaEq。21gydF4y2Ba和gydF4y2Ba情商。gydF4y2Ba、辅助测量向量可以重建模型中描述gydF4y2BaEq。9gydF4y2Ba。gydF4y2Ba

算法2gydF4y2Ba筛选器顺序选择gydF4y2Ba

此外,它是决定最优值预测滤波器的基础秩序gydF4y2BaWgydF4y2Ba。可以提出各种方案来计算这一重要参数。这个参数的重要性可以从一个高价值的判断gydF4y2BaWgydF4y2Ba需要大量的样本重建缺失的样本,因此将消耗更多的计算时间。另一方面,一个更小的值gydF4y2BaWgydF4y2Ba可能会产生退化的结果更少的计算时间为代价的。因此,这是一个任务设计师设计的最优值gydF4y2BaWgydF4y2Ba导致最佳成果。在gydF4y2Ba算法2gydF4y2Ba,提出了一种简单而直接的机制来决定订单的预测滤波器,当样品开始失踪kgydF4y2BathgydF4y2Ba实例。gydF4y2Ba

3.2除杂物和小波变换gydF4y2Ba

由于重要FT-based方案的局限性,本文采用小波变换(WT)作为替代,因此,简要回顾WT被认为是有益的。IR-UWB雷达围绕着身体正在研究。从病人的身体,不断的收到反射光线。接收到的信号从身体中包含数据,存储在一个gydF4y2Bam×ngydF4y2Ba矩阵,gydF4y2Ba米gydF4y2Ba缓慢的时间和样本大小gydF4y2BangydF4y2Ba代表样本在快速的发生时间。首先,搜索列最高的权力。取消杂乱的信号必须通过一个过滤器,如陷波滤波器(gydF4y2BaSifuzzaman et al ., 2009gydF4y2Ba;gydF4y2Ba贾et al ., 2005gydF4y2Ba;gydF4y2BaGrewal编写和安德鲁斯,2001年gydF4y2Ba。从图形的角度来看,杂物清除过程中可以看到gydF4y2Ba图3gydF4y2Ba。在数学上,分隔符可以描述如下(gydF4y2Ba王et al ., 2017gydF4y2Ba。gydF4y2Ba

y (t), u (t)和g (t)代表了杂波信号,分别免费原始信号和杂波信号。gydF4y2Ba

小波系数是通过应用免费WT在杂乱的信号。此外,在这种情况下使用的母小波是Daubechies-2。的插图db-2给出小波gydF4y2Ba图4gydF4y2Ba。gydF4y2Ba

后的小波系数得到小波应用于整齐的信号。需要指出的是,小波系数,当绘制Energy-Spectral密度(ESD)图,提供刻度值。另一个称赞了小波变换的特点是,它给Scale-to-Frequency图形(例如gydF4y2Ba图5gydF4y2Ba)gydF4y2BaTariq et al。(2017)gydF4y2Ba。所以,核心的目标gydF4y2Ba图5gydF4y2Ba是定位相应的频率比例因子与心率和呼吸率。采用这种策略的检测生命体征在以下三种情形:gydF4y2Ba

1。分析正常的场景(在第四节讨论)gydF4y2Ba

2。数据丢失的后果(在第五节讨论)gydF4y2Ba

3所示。分析数据丢失恢复后通过AR-based模型(在第六节讨论)gydF4y2Ba

4所示。分析数据丢失恢复后通过ARMA-based模型(在第7节讨论)gydF4y2Ba

4分析正常的场景gydF4y2Ba

最初,顺利到达数据分析了它将作为基准进行比较。后去除杂乱的任何方便的方法(如陷波滤波器),整齐信号将由两部分组成(心率和呼吸率),并应用小波变换得到的小波系数是整齐的信号。这导致scale-frequency图中描述gydF4y2Ba图5gydF4y2Ba。从这个图中,频率可以找到对应的小波系数的密度。gydF4y2Ba

同样,将WT应用于接收到的信号没有任何失踪样本病人所示的结果gydF4y2Ba图6gydF4y2Ba,其中包含两个sub-results。上面的图中显示分析信号在调查中。量图图表在降低数字Daubechies (db-2)小波(gydF4y2BaTariq et al ., 2017)gydF4y2Ba。重要的是要注意,在规范化的情况下,心率在60 - 120次/分钟之间,这是相关的刻度值35 - 75。选择适当的测量范围的心率和选定的规模,在小波系数最大的低能量,如所示gydF4y2Ba图6gydF4y2Ba。心率,近似规模的值为42(连续粉色线gydF4y2Ba图6gydF4y2Ba),它对应于1.801赫兹的频率gydF4y2Ba图7gydF4y2Ba。心率可以计算为1.801×60 = 108.08 bpm。gydF4y2Ba

同样,呼吸率的范围介于10 - 30 bpm,相对应的刻度值150 - 450 (gydF4y2Ba贾et al ., 2005gydF4y2Ba;gydF4y2Ba王et al ., 2017)gydF4y2Ba。呼吸率范围可以选择通过测量最大的光谱能量在这些范围内。生成的刻度值与无损耗数据是350所示gydF4y2Ba图8gydF4y2Ba。350年的刻度值对应于0.2161赫兹的频率gydF4y2Ba补充图S1gydF4y2Ba。因此,心率可以计算为12.96 = (0.2161 * 60)bpm。有两个数据,获得不间断的信号,这是:gydF4y2Ba

1。呼吸率= 12.96 bpm。gydF4y2Ba

2。心率= 108.08 bpm。gydF4y2Ba

因此,这些信息将病人作为一个特定的基准。在这项工作中,我们使用心电图传感器;在监测心率(目前的黄金标准gydF4y2Ba纳尔逊和艾伦,2019)gydF4y2Ba,比较的结果。呼吸监测手动找到人类的呼吸率。gydF4y2Ba

到目前为止,我们已经考虑了正常情况下在收到完整的数据从病人接受调查分析的目的。在本文中使用的独特的方法,我们在这一节中生成的仿真结果进行比较。然而,在现实生活中,可用的数据可能不顺利的原因,包括雷达截面(RCS)问题或拥堵的缓冲区通常用于存储的目的。在这种情况下,重要的是要设计一个补救治疗这个关键问题。本文旨在解决这一问题,提出了一种嵌入生命体征数据丢失恢复方案实现的小波变换。gydF4y2Ba

5数据丢失的后果gydF4y2Ba

在前面的小节中,生命体征的重要性及其监控工具(WT)为不间断数据阐述了。在下一节中,生命体征监控时,接收的数据是不完整的任何实际原因(如企业社会责任区域,通道或缓冲区拥塞,传感器故障和/或失败,等等)。要解决这一问题,否则会导致严重的后果,尤其是人类的伤亡。接收的数据是随机的和整体50个样品丢失。gydF4y2Ba

断断续续的数据样本分析所示gydF4y2Ba补充图S2gydF4y2Ba(上层sub-figure)中断可以被一个圆在最初阶段。中断产生的小波系数分析信号中可以看到sub-figure较低gydF4y2Ba补充图S2gydF4y2Ba。与心率相关的能源(低能量线组装)对应于一个比例因子的39所示粉红色的实线。gydF4y2Ba

从规模到频率gydF4y2Ba补充图S3gydF4y2Ba39的,相应的频率比例因子是1.94赫兹。相当于心率是1.94×60 = 116.4 bpm(次/分钟)。因此,数据丢失导致明显的误解,这可能提供障碍影响,特别是在一个病人的治疗。偏差导致的数据丢失是7.71%。gydF4y2Ba

从相同的中断信号,分析高密集系数对应于345的最大能量比例因子的粉红色继续行所示gydF4y2Ba补充图S4gydF4y2Ba。将这些系数scale-to-frequency映射结果所示0.2193赫兹的频率gydF4y2Ba补充图S5gydF4y2Ba。的呼吸率计算这将是0.2193×60 = 13.158 rpm(呼吸/分钟)。呼吸率的百分比偏差从正常的阅读是1.48%。gydF4y2Ba

再次,断断续续的观察导致读数漂移的呼吸率。在随后的部分中,我们提供了一个补救的损失数据及其影响生命体征监测提供了。gydF4y2Ba

6通过AR-Based模型分析恢复后的数据丢失gydF4y2Ba

在本节中,早些时候受到数据丢失的分析信号通过AR-based系列已经恢复,然后在生命体征监测。这个分析显示了信号中恢复过来gydF4y2Ba补充图S6gydF4y2Ba(上层sub-figure)。在下一阶段,实现小波系数的呼吸和心率从这个分析信号中恢复过来。gydF4y2Ba

的小波系数表现出规模40心率所示gydF4y2Ba补充图S6gydF4y2Ba。种植这些系数scale-frequency映射结果在1.891赫兹的频率所示gydF4y2Ba补充图S7gydF4y2Ba。心率计算从这是bpm 1.891×60 = 113.46 /分钟(次)。不间断的偏差量的阅读阅读将为4.99%。gydF4y2Ba

几乎30.11%恢复而有损数据结果。同样的恢复分析信号通过基于AR系列中描述gydF4y2Ba补充图S8gydF4y2Ba(上层sub-figure)。最大能量高密集系数对应系数在348规模由粉红色继续行显示在底部中描述gydF4y2Ba补充图S8gydF4y2Ba(低sub-figure)。将这些系数转换为频率映射将生产规模所示0.2174赫兹的频率gydF4y2Ba补充图S9gydF4y2Ba。这个阅读的呼吸率计算是0.2174 * 60 = 13.04 bpm(呼吸/分钟)。偏差的程度的不间断阅读将是0.57%,这是近60%复苏相比,结果与损失。gydF4y2Ba

本文旨在改善获得的结果在本节中,通过引入基于ARMA复苏,正如前面所讨论的在第三节。使用这种新方法,改善精度预计的成本计算工作。gydF4y2Ba

7通过ARMA-Based模型分析恢复后的数据丢失gydF4y2Ba

相信使用(输入和测量信号)的更多信息,更准确的数据可以重建。因此,经济复苏通过ARMA信号都采用基于模式应该比AR-based模型,生成更高效的结果只有测量向量用于恢复。gydF4y2Ba

在本节中,使用ARMA-based模型的概念,断断续续的分析信号首先恢复,然后两个关键信息。这个恢复信号所示gydF4y2Ba补充图S10gydF4y2Ba(上层sub-figure)。在下一阶段,实现小波系数的呼吸和心率从这个分析信号中恢复过来。的小波系数反映了规模41所示为心率gydF4y2Ba补充图S10gydF4y2Ba(低sub-figure)。规模将这些系数转换为频率映射结果所示1.845赫兹的频率gydF4y2Ba补充图S11gydF4y2Ba。这种规模的心率计算是1.845×60 = 110.7gydF4y2BabpmgydF4y2Ba(次/分钟)。水平偏差的阅读不间断的阅读将是2.44%,这是大约66%复苏相比,与有损数据结果。通过相同的策略,最大energy-column组成的高密集系数关联349所描述的刻度值继续行gydF4y2Ba补充图S12gydF4y2Ba。用这些系数成scale-frequency映射显示0.2167赫兹的频率(gydF4y2Ba补充图向gydF4y2Ba)。的呼吸率计算这是0.2167 * 60 = 13.002gydF4y2BabpmgydF4y2Ba(呼吸/分钟)。这个基准阅读的程度的偏差将是0.28%,80.28%恢复相比,结果与数据丢失。gydF4y2Ba

总而言之,四个紧凑的场景已经编译了监测生命体征,即;gydF4y2Ba

1。当正常数据到达(没有任何损失)。gydF4y2Ba

2。当随机数据丢失。gydF4y2Ba

3所示。恢复数据时通过AR-based模型(现有方法)gydF4y2Ba

4所示。当数据通过ARMA-based恢复模型(提出技术)gydF4y2Ba

共有50个样品手工失去了在一个特定的位置。虽然各种场景可能通过这个案例研究进行了介绍和描述。本文一大块数据,共同在一个位置被认为是输了。gydF4y2Ba表1gydF4y2Ba和gydF4y2Ba表2gydF4y2Ba总结两种算法的性能(现有AR-based模型并提出ARMA-based模型)的心率和呼吸频率,分别。可以从两个表的最后一行,建议ARMA-based模型有效地复制丢失的信息和生命体征(这两个利率)非常接近实际读数。因此它导致误差最小。gydF4y2Ba

结论gydF4y2Ba

摘要生命体征监测一直被视为几乎实现了数据。由于其直接与人类,生命体征的重要性是非常清楚的。需要有效地处理这些信息的损失,以避免灾难性的结果。最初,生命体征监测从正常数据,没有数据丢失。这提供了一个基准进行比较后阶段测量数据在本质上是间歇性的病人。这有损数据一直在观察生命体征监测(心率和呼吸率)和退化的结果。这个数据丢失然后试图通过AR-based恢复模型,给出更好的结果相比,有损的结果。然而,AR-based模型只招待测量向量的恢复过程。介绍了一种改进的版本,意味着测量向量和输入数据在恢复阶段。复苏后,生命体征监测植入时,仿真结果表明,更高效,更接近实际数据是通过这个方案。 In other words, the reproduced data is less affected by data-loss which is verified by vital sign monitoring results.

它可以得出结论,如果任何数据结构一定程度的一种趋势,可以复制数据通过AR-based或ARMA-based模型。如果不是,那么分段相似性可能认为在经济复苏的过程。有必要提到AR和ARMA-based模型计算昂贵。今后,非平稳的态度可能是相同的背景调查可以提供进一步的洞察这个问题。gydF4y2Ba

数据可用性声明gydF4y2Ba

原始数据支持了本文的结论将由作者提供,没有过度的预订。gydF4y2Ba

作者的贡献gydF4y2Ba

NK设计实验,写论文和监督算法开发。学生参与的实现算法。IA和颗(第一作者)在实验设计和编写了手稿。颗(第五作者)参与数据收集和论文写作。gydF4y2Ba

资金gydF4y2Ba

本研究工作是由欧盟共同支持H2020 MSCA项目UWB-IODA SF-PC(项目号838037)和Lab-STICC (UBO,法国布雷斯特),CNRS UMR 6285。gydF4y2Ba

的利益冲突gydF4y2Ba

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

出版商的注意gydF4y2Ba

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba

补充材料gydF4y2Ba

本文的补充材料在网上可以找到:gydF4y2Bahttps://www.雷竞技rebatfrontiersin.org/articles/10.3389/frsip.2021.742441/full补充材料gydF4y2Ba

补充图S1 |gydF4y2Ba小波系数的频率图正常的呼吸率。gydF4y2Ba

补充图S2 |gydF4y2Ba小波系数的ESD心率(有损数据)。gydF4y2Ba

补充图S3 |gydF4y2Ba小波系数的频率图心率(有损数据)。gydF4y2Ba

补充图S4 |gydF4y2BaESD呼吸率的小波系数(有损数据)。gydF4y2Ba

补充图S5 |gydF4y2Ba小波系数的频率图呼吸率(有损数据)。gydF4y2Ba

补充图S6 |gydF4y2Ba小波系数的ESD心率(AR-based方法)。gydF4y2Ba

补充图S7 |gydF4y2Ba小波系数的频率图心率(AR-based方法)。gydF4y2Ba

补充图S8 |gydF4y2Ba小波系数的ESD呼吸率(AR-based方法)。gydF4y2Ba

补充图S9 |gydF4y2Ba小波系数的频率图呼吸率(AR-based模型)。gydF4y2Ba

补充图S10 |gydF4y2Ba小波系数的ESD心率(ARMA-based方法)。gydF4y2Ba

补充图S11 |gydF4y2Ba小波系数的频率图心率(ARMA-based方法)。gydF4y2Ba

补充图S12 |gydF4y2Ba小波系数的ESD呼吸率(ARMA-based方法)。gydF4y2Ba

补充图向|gydF4y2Ba小波系数的频率图呼吸率(ARMA-based模型)。gydF4y2Ba

引用gydF4y2Ba