多模态智能化睡眠监测系统的设计
这是一篇关于多模态睡眠监测,安卓应用,EEG信号,ECG信号,睡眠分期的论文, 主要内容为睡眠障碍是一种常见的健康问题,会影响脑功能和认知能力,甚至危及生命。目前,诊断睡眠障碍需要在医院使用昂贵的多导睡眠监测(polysomnography,PSG)设备,并由专家人工分析,这种方法不适合大规模应用。手环等简易监测设备准确率不高,无法达到临床标准。因此,设计一套便携化、可用于家庭的医疗级睡眠监护系统对于家庭睡眠监护有着重要价值。本文以脑电、心电、呼吸等数据为基础,设计了一款基于安卓和云服务平台的多模态睡眠监测系统,并根据系统所采数据进行了多模态信号的特征提取、特征筛选和睡眠分期算法的研究。(1)针对常见睡眠监测设备的缺陷,本文设计并实现了基于STM32F40x ZGT6内核和ADS1292模拟前端的便携式多模态睡眠监测系统。开发了基于Android平台的移动端应用,实现了多模态数据的采集、解析、绘图、存储、上传、打标等功能。本文还搭建了云服务平台,集成睡眠监测算法,为用户提供报告生成、数据管理等服务。通过这些设计,本文实现了系统的便携性、多模态、智能化的要求。(2)本文采用自制系统和PSG系统同步记录了14例健康人的睡眠数据,并由睡眠医师基于PSG数据标注睡眠分期。从多模态角度分析了自制系统获取的单通道前额脑电(electroencephalograph,EEG)和心电信号(electrocardiograph,ECG),共提取出71个特征。为进一步挖掘多模态信号之间的隐含信息,本文基于哈佛医学院的心肺耦合算法(Cardio Pulmonary Coupling,CPC)提出了心肺耦合和心脑耦合算法,从心肺、心脑间的同步性、定向连接和互信息角度提取了38个特征。(3)为了得到最优分类器和最佳特征组合。本文根据数据模态将所有特征分为5个特征集,使用Kruskal-Wallis多重比较检验分析,剔除差异显著性较小的特征,并使用四种分类算法进行自动睡眠分期。结果显示,心电传统特征集、ECG模态特征集、EEG模态特征集、脑电心肺特征集和EEG-ECG模态特征集在不同分类器中取得的最高准确率分别为64.29%、79.79%、84.32%、88.01%、89.09%。接着,我们用递归特征消除算法去除冗余特征,在保证准确率的情况下节省了云平台计算资源。
多模态智能化睡眠监测系统的设计
这是一篇关于多模态睡眠监测,安卓应用,EEG信号,ECG信号,睡眠分期的论文, 主要内容为睡眠障碍是一种常见的健康问题,会影响脑功能和认知能力,甚至危及生命。目前,诊断睡眠障碍需要在医院使用昂贵的多导睡眠监测(polysomnography,PSG)设备,并由专家人工分析,这种方法不适合大规模应用。手环等简易监测设备准确率不高,无法达到临床标准。因此,设计一套便携化、可用于家庭的医疗级睡眠监护系统对于家庭睡眠监护有着重要价值。本文以脑电、心电、呼吸等数据为基础,设计了一款基于安卓和云服务平台的多模态睡眠监测系统,并根据系统所采数据进行了多模态信号的特征提取、特征筛选和睡眠分期算法的研究。(1)针对常见睡眠监测设备的缺陷,本文设计并实现了基于STM32F40x ZGT6内核和ADS1292模拟前端的便携式多模态睡眠监测系统。开发了基于Android平台的移动端应用,实现了多模态数据的采集、解析、绘图、存储、上传、打标等功能。本文还搭建了云服务平台,集成睡眠监测算法,为用户提供报告生成、数据管理等服务。通过这些设计,本文实现了系统的便携性、多模态、智能化的要求。(2)本文采用自制系统和PSG系统同步记录了14例健康人的睡眠数据,并由睡眠医师基于PSG数据标注睡眠分期。从多模态角度分析了自制系统获取的单通道前额脑电(electroencephalograph,EEG)和心电信号(electrocardiograph,ECG),共提取出71个特征。为进一步挖掘多模态信号之间的隐含信息,本文基于哈佛医学院的心肺耦合算法(Cardio Pulmonary Coupling,CPC)提出了心肺耦合和心脑耦合算法,从心肺、心脑间的同步性、定向连接和互信息角度提取了38个特征。(3)为了得到最优分类器和最佳特征组合。本文根据数据模态将所有特征分为5个特征集,使用Kruskal-Wallis多重比较检验分析,剔除差异显著性较小的特征,并使用四种分类算法进行自动睡眠分期。结果显示,心电传统特征集、ECG模态特征集、EEG模态特征集、脑电心肺特征集和EEG-ECG模态特征集在不同分类器中取得的最高准确率分别为64.29%、79.79%、84.32%、88.01%、89.09%。接着,我们用递归特征消除算法去除冗余特征,在保证准确率的情况下节省了云平台计算资源。
基于微服务的安卓众包在线验证平台的设计与实现
这是一篇关于安卓应用,众包测试,微服务,远程操控,缺陷验证的论文, 主要内容为为了提升安卓应用质量,诸多平台提供了安卓应用自动化测试服务,并能够生成包含应用缺陷信息的测试报告。受限于当前测试工具和测试脚本质量等问题,测试报告中的缺陷信息可能并不准确。开发者验证此类缺陷往往缺乏足够的人力和设备资源。众包测试能够招募大量众包工人帮助快速完成测试。因此,将缺陷信息转为众包任务并提供在线验证平台,能够提升软件缺陷发现的准确率。本文设计与实现了一个基于微服务的安卓众包在线验证平台。该平台通过在线真机操控和缺陷众包验证两方面来解决人力与设备资源不足问题。众包工人能够远程在设备中进行测试脚本的录制回放,修改并完善测试脚本。缺陷众包验证则让任务请求者通过众包方式验证缺陷,根据众包工人提交的验证结果和结果统计分布提升效率。本平台分为设备微服务模块和众包在线验证模块。设备微服务模块直接与移动设备进行交互。众包在线验证模块则包含Web界面与服务端,与设备微服务模块交互,并保存用户缺陷验证数据到数据库中。平台在设计上利用Spring Cloud微服务框架对平台进行维护管理,解决因设备数量增多使得设备微服务模块出现多个后难以维护的难题。平台采用MiniCap和MiniTouch工具获取设备实时界面图和执行设备触屏模拟操作,通过WebSocket协议和Netty框架保持Web端与设备之间的数据交换,采用Appium框架对测试脚本进行回放,并最终提升缺陷信息的准确性。本文选取50台安卓设备和7个有缺陷安卓应用对平台进行运行效果的初步验证。结果表明平台对Android4.4以上版本设备具有高支持度以及通过众包验证得出的缺陷准确率平均能够达到80%左右,初步验证了平台的可用性。该平台已经在公司上线使用,有效地解决了用户测试设备与人力资源不足问题,加快了缺陷验证速度,帮助用户以更低的成本和更高的效率发现安卓应用中的质量问题。
多模态智能化睡眠监测系统的设计
这是一篇关于多模态睡眠监测,安卓应用,EEG信号,ECG信号,睡眠分期的论文, 主要内容为睡眠障碍是一种常见的健康问题,会影响脑功能和认知能力,甚至危及生命。目前,诊断睡眠障碍需要在医院使用昂贵的多导睡眠监测(polysomnography,PSG)设备,并由专家人工分析,这种方法不适合大规模应用。手环等简易监测设备准确率不高,无法达到临床标准。因此,设计一套便携化、可用于家庭的医疗级睡眠监护系统对于家庭睡眠监护有着重要价值。本文以脑电、心电、呼吸等数据为基础,设计了一款基于安卓和云服务平台的多模态睡眠监测系统,并根据系统所采数据进行了多模态信号的特征提取、特征筛选和睡眠分期算法的研究。(1)针对常见睡眠监测设备的缺陷,本文设计并实现了基于STM32F40x ZGT6内核和ADS1292模拟前端的便携式多模态睡眠监测系统。开发了基于Android平台的移动端应用,实现了多模态数据的采集、解析、绘图、存储、上传、打标等功能。本文还搭建了云服务平台,集成睡眠监测算法,为用户提供报告生成、数据管理等服务。通过这些设计,本文实现了系统的便携性、多模态、智能化的要求。(2)本文采用自制系统和PSG系统同步记录了14例健康人的睡眠数据,并由睡眠医师基于PSG数据标注睡眠分期。从多模态角度分析了自制系统获取的单通道前额脑电(electroencephalograph,EEG)和心电信号(electrocardiograph,ECG),共提取出71个特征。为进一步挖掘多模态信号之间的隐含信息,本文基于哈佛医学院的心肺耦合算法(Cardio Pulmonary Coupling,CPC)提出了心肺耦合和心脑耦合算法,从心肺、心脑间的同步性、定向连接和互信息角度提取了38个特征。(3)为了得到最优分类器和最佳特征组合。本文根据数据模态将所有特征分为5个特征集,使用Kruskal-Wallis多重比较检验分析,剔除差异显著性较小的特征,并使用四种分类算法进行自动睡眠分期。结果显示,心电传统特征集、ECG模态特征集、EEG模态特征集、脑电心肺特征集和EEG-ECG模态特征集在不同分类器中取得的最高准确率分别为64.29%、79.79%、84.32%、88.01%、89.09%。接着,我们用递归特征消除算法去除冗余特征,在保证准确率的情况下节省了云平台计算资源。
基于RSS的个性化信息推荐系统的设计与实现
这是一篇关于RSS技术,安卓应用,个性化推荐的论文, 主要内容为作为一种可扩充的、轻量级的、多用途的元数据描述和内容聚合格式,因其简单、规范、易自动生成等特点,RSS在互联网中被广泛运用。如何快速并准确地使用户获取需要的信息,一直以来是个性化信息服务的重点研究方向。而越来越多的信息通过RSS的形式在互联网内传播,例如图书馆、博客站点、大多数媒体网站(如BBC、CNET、CNN、Yahoo、微软等)、企业站点、科技网站等等都已经提供基于RSS的服务,基于RSS的个性化信息服务研究便也成为了一个研究热点。而随着移动互联网的普及,在移动设备上获取信息已经成为现在大家获取信息的重要途径,在移动设备上搭载个性化信息服务平台,能使得用户更加快捷、方便地获取信息服务。为了搭建一个提供基于RSS技术的个性化信息推荐服务系统,本文做了以下工作:(1)设计并开发了人机交互模块,实现用户与系统之间的人机交互,能够使用户快捷、方便地获取信息服务;(2)比照了现在比较流行的XML文档解析技术,如DOM、SAX等,权衡系统搭载平台以及解析效率等问题,最终采用XML Pull解析方法,实现对XML文档的文档解析,并将对文档的分析结果存入数据库中;(3)利用中科院计算所提出的中文分词系统NLPIR对用户的行为数据进行分词操作,获取其分词结果,对分词结果进行分析,从用户的行为数据中筛选出用户感兴趣的关键词,用来构建用户兴趣模型,并根据用户行为数据的更新对用户兴趣模型进行更新;(4)以用户的兴趣模型为依据来对用户进行信息的推荐,通过比照新的信息内是否含有用户感兴趣的关键词来选择是否对用户推荐该信息。
基于微服务的安卓众包在线验证平台的设计与实现
这是一篇关于安卓应用,众包测试,微服务,远程操控,缺陷验证的论文, 主要内容为为了提升安卓应用质量,诸多平台提供了安卓应用自动化测试服务,并能够生成包含应用缺陷信息的测试报告。受限于当前测试工具和测试脚本质量等问题,测试报告中的缺陷信息可能并不准确。开发者验证此类缺陷往往缺乏足够的人力和设备资源。众包测试能够招募大量众包工人帮助快速完成测试。因此,将缺陷信息转为众包任务并提供在线验证平台,能够提升软件缺陷发现的准确率。本文设计与实现了一个基于微服务的安卓众包在线验证平台。该平台通过在线真机操控和缺陷众包验证两方面来解决人力与设备资源不足问题。众包工人能够远程在设备中进行测试脚本的录制回放,修改并完善测试脚本。缺陷众包验证则让任务请求者通过众包方式验证缺陷,根据众包工人提交的验证结果和结果统计分布提升效率。本平台分为设备微服务模块和众包在线验证模块。设备微服务模块直接与移动设备进行交互。众包在线验证模块则包含Web界面与服务端,与设备微服务模块交互,并保存用户缺陷验证数据到数据库中。平台在设计上利用Spring Cloud微服务框架对平台进行维护管理,解决因设备数量增多使得设备微服务模块出现多个后难以维护的难题。平台采用MiniCap和MiniTouch工具获取设备实时界面图和执行设备触屏模拟操作,通过WebSocket协议和Netty框架保持Web端与设备之间的数据交换,采用Appium框架对测试脚本进行回放,并最终提升缺陷信息的准确性。本文选取50台安卓设备和7个有缺陷安卓应用对平台进行运行效果的初步验证。结果表明平台对Android4.4以上版本设备具有高支持度以及通过众包验证得出的缺陷准确率平均能够达到80%左右,初步验证了平台的可用性。该平台已经在公司上线使用,有效地解决了用户测试设备与人力资源不足问题,加快了缺陷验证速度,帮助用户以更低的成本和更高的效率发现安卓应用中的质量问题。
基于移动终端的电气设备远程专家诊断平台
这是一篇关于安卓应用,SSH框架,数据支持系统,故障诊断的论文, 主要内容为电力系统的稳定运行对国计民生都至关重要,而及时高效的状态检修是必不可少的保障手段。为解决工作人员无法现场定位故障、需其他专家协助的问题,本文设计并实现了基于移动终端的电气设备远程专家诊断平台系统,将电气设备的基本信息、实时状态数据及跨地域的电气专家资源整合至一个平台上,从而实现快速、高效、准确的远程电气设备故障诊断。基于移动终端的电气设备远程专家诊断平台由用户端安卓应用、专家端安卓应用、数据支持系统和服务器端应用组成。其中,安卓端应用与服务器端应用采用C/S设计模式,数据支持系统与服务器端采用B/S设计模式。用户端安卓应用融入了 AChartEngine数据显示框架与Lucene搜索引擎模块,实现了电气设备相关信息的查询(包括设备的基本信息、在线状态信息和所在企业单位的信息)、电气设备故障的初步诊断和故障的远程交互式专家诊断等功能。专家端安卓应用实现了专家与用户进行实时交互,获得故障电气设备的诊断信息资料,完成对电气设备故障的及时诊断。数据支持系统融入了 jQuery Mobile页面技术,实现了系统管理员通过移动终端或者PC端对平台系统的用户、专家、企业单位、设备参数、设备在线状态监测信息、故障诊断信息、公告信息和用户反馈意见等数据进行管理。服务器端应用采用主流的Web应用集成框架--SSH框架,通过该框架为服务器端应用配置数据访问接口,进而为用户端安卓应用、专家端安卓应用和数据支持系统提供后台数据支持。最后,对该平台所涉及的用户端安卓应用、专家端安卓应用和数据支持系统进行了联合测试。测试结果分析表明,基于移动终端的电气设备远程专家诊断平台系统很好地实现了最初的设计目标。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设工厂 ，原文地址：https://m.bishedaima.com/lunwen/52931.html
