一个有效的多模式分析应力分类:使用局部模式技术的信号到图像转换

科学领域:

• 身体生理学 身体生理学
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 压力是一种复杂的生理和心理对挑战的反应.
• 精确的压力检测对于心理和身体健康至关重要.
• 现有的方法通常依赖于单一的数据模式,限制了全面的分析.

研究的目的:

• 开发和评估使用多模式传感器数据进行压力检测的模式驱动框架.
• 为了比较基于信号和基于图像的分析技术在压力预测方面的有效性.
• 确定最佳特征提取和分类方法,以准确识别应力.

主要方法:

• 一个以模式驱动的框架,使用光谱图集成本地二进制模式 (LBP),本地正常导数模式 (LNDP),本地导数模式 (LDP) 和本地四模式 (LTrP).
• 从时间域,非线性混沌理论,碎形维度和直方图描述器中提取特征.
• 在多模式传感器数据 (HR,RR) 上使用支持向量机 (SVM),物流回归 (LG),合并方法和AlexNet进行二进制分类.

主要成果:

• 图像分析,特别是使用LBP,LNDP和LTrP与后勤回归和组合方法,实现了高达100%的分类准确性.
• 在统计 (98.7%),/直方图 (100%) 和碎形 (90%) 特性中,LBP表现出强的表现.
• 对谱图和模式技术的图像分析比压力预测的信号分析更高的分类准确度.

结论:

• 提出的以模式驱动的框架,特别是基于图像的光谱分析,为压力检测提供了一个高度准确的方法.
• 图像分析技术,利用复杂的模式,优于传统的信号分析来预测压力.
• 该研究强调了先进的模式识别和机器学习对客观压力评估的潜力.