导读:本文包含了心跳检测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:信号,仿生学,阈值,心力衰竭,定理,分布式,节点。
心跳检测论文文献综述
[1]（2019）在《用于检测废墟下被困者心跳的雷达设备》一文中研究指出2016年7月一个闷热的早晨,在原北弗吉尼亚州一所监狱的废墟中,小大卫·路易斯(David Lewis Jr.)爬进一根混凝土管道中。他一直爬到只能看到他鞋尖儿的位置,然后,在旁观者的注视下,R4公司新开发的FINDER设备(Finding Individuals for Disaster and Emergency Response,灾难和应急响应用被困者搜救设备)开始进行实景训练。轻轻一点按钮,设备即开始根据物体和环境校准雷达,之后就进入检测模式。在雷(本文来源于《军民两用技术与产品》期刊2019年04期）
胡玉舟[2]（2019）在《基于CNN与心跳信号的胚蛋成活性检测方法研究》一文中研究指出接种禽流感疫苗是预防禽流感的主要措施之一,将病毒毒株注射到胚蛋体内繁殖病毒是培养禽流感疫苗的主要途径。然而,在培养病毒毒株过程中会产生死亡胚,这些死亡胚必须被剔除出来以防止对正常胚造成污染。因此,在禽流感疫苗制备过程中,对已接种毒株的胚蛋进行成活性检测与分类具有重要意义。目前胚蛋的成活性主要通过人工照蛋方式进行检测,这种检测方法存在检测效率低、工人劳动强度大以及容易产生误检和漏检等弊端,不符合工厂高效率高质量的自动化生产需求。将深度学习方法和胚蛋的图像特征、生理参数特征结合进行成活性检测逐渐成为当下研究的趋势。为了对胚蛋成活性进行有效的检测和分类,本文以9日后鸡蛋胚胎为研究对象,使用光电容积脉搏波描记法(PhotoPlethysmoGraphy,PPG)采集胚蛋的心跳信号作为判别特征,提出将CNN与胚蛋心跳信号结合用于胚蛋成活性检测的方法。首先,针对采集到的胚蛋心跳信号中包含较多环境噪声的问题,设计符合胚蛋心跳信号特性的巴特沃斯高通滤波器对信号进行滤波去噪。其次,对于采集到的9日后鸡蛋胚胎心跳信号数据,提出基于心率阈值的胚蛋成活性分类算法并对算法的有效性进行验证。最后,针对基于心率阈值的胚蛋分类算法在处理胚胎心跳数据时对阈值敏感的问题,提出将CNN与胚蛋心跳信号结合用于成活性检测的方法,分别设计用于分析胚蛋心跳序列的一维卷积神经网络E-CNN和用于处理胚蛋心跳波形图的二维卷积神经网络SR-CNN。SR-CNN通过对心跳波形图进行特征提取有效地弥补了E-CNN在处理含噪信号时的不足。此外,通过使用通道加权和残差结构,SR-CNN不仅起到了特征筛选作用,而且还使得网络收敛性更好,提升了网络的性能。实验结果表明,本文提出的将CNN与胚蛋心跳信号结合用于鸡蛋胚胎成活性检测的方法合理可行,所设计的卷积神经网络E-CNN、SR-CNN在构建的9日后鸡蛋胚胎心跳数据集上分别达到99.50%、99.62%的检测准确率。(本文来源于《天津工业大学》期刊2019-02-17）
张晓峰,李欣,孙海春,赵晓凡[3]（2018）在《基于心跳机制和阈值的云弹性检测方法》一文中研究指出针对目前云平台弹性定义缺乏统一标准、难以量化的问题,基于现有标准及典型云服务商的服务等级协议(Service Level Agreement-SLA),提出了一种云平台弹性的定义;以独立于服务商和用户的第叁方评测单位的角度,提出了一种客观、定量的方法来评测一个云平台的弹性能力。基于心跳机制和预设的阈值,在叁种测试场景下对云平台的CPU利用率进行实时监控,利用CPU阈值作为判定弹性调度的依据,并根据CPU利用率的变化求得弹性扩展的速度。实验证明,该方法能快速有效地区分不同云平台弹性扩展的速度,为用户选择符合需求的云平台提供指导。(本文来源于《警察技术》期刊2018年04期）
张杰[4]（2018）在《压力累积效应的心跳模式分析与异常检测》一文中研究指出压力是指环境诱因导致人们出现身体和精神的紧张状态。短暂适度的压力有助于激发躯体唤起度,使人们更好地应对外界环境刺激,增强机体适应性,而长期压力则易导致疲劳、慢性炎症和代谢综合征,破坏免疫系统功能,诱发心脑血管疾病等。目前大部分压力生理模式识别研究侧重于分析短时急性压力事件的心跳模式,还未见文献提出较长时间压力累积对自主神经活动影响的有效量化指标和生理计算模型。本文假设反复出现的短暂压力事件具有时间累积效应,设计了两种真实场景连续约8小时的持续强/弱压力诱发任务,采用多尺度心跳模式分析技术,验证了压力存在时间累积效应。数据分析发现,压力累积效应在多尺度上降低心跳复杂性,且局部Hurst指数范围(RLHE)指标有效指示了压力累积效应的发展过程。主要研究内容和结果如下:(1)本文设计了持续强/弱压力诱发与数据采集实验范式,通过约8小时的真实场景电脑游戏任务以及电脑学习任务,分别诱发了30名被试持续强压力状态以及与之相对的30名被试持续弱压力状态,有监督地实施了强/弱压力诱发与生理数据采集,综合主观和客观两方面信息标定了生理数据的压力标签。统计检验结果表明,强/弱压力诱发任务分别成功诱发了被试的持续强/弱压力状态。(2)改变观察时间窗的长度,用滑动时间窗法构造了不同观察窗下强/弱压力状态的大数据集。在大数据集上分析了心率滑动均值(RM)、心率小尺度平均涨落(AFSS)、心率大尺度平均涨落(AFLS)和RLHE四种心跳指标在不同尺度下区分强/弱压力的能力,发现RLHE指标在强/弱压力下的差异随着观察尺度的增加而增加,表明持续压力存在累积效应,并且压力累积导致大尺度上心跳复杂性更显着的降低。(3)用RM、AFSS、AFLS和RLHE四个指标构成特征空间,用4种常见分类器对强/弱压力大数据集进行了模式识别。采用折半随机验证法,K近邻分类器在104次心跳间隔的观察窗条件下的强/弱压力识别精度为74.35%(F1分数),在4800次心跳间隔的观察窗条件下的强/弱压力识别精度为99.63%,是4种分类器中识别精度提高最多,且精度最高的分类方法。强/弱压力大数据集在特征空间中的散点分布模式表明,K近邻模式分类方法最适当地抓住了压力累积效应引起的强/弱压力数据在特征空间中的分块聚合趋势。(4)分析了在大尺度上出现心跳复杂性极端降低的被试数据,发现大尺度上心跳复杂性极端降低仅出现在强压力导致极端疲劳的被试之中,表明大尺度上极低的心跳复杂性是强压力导致自主神经疲劳的有力证据,为突发心脏意外事件的提前预警提供了客观量化指标。(本文来源于《西南大学》期刊2018-03-29）
易俗,殷慧文,王闯,张一川[5]（2017）在《多因素自适应心跳检测算法研究》一文中研究指出分布式系统中心跳检测是节点故障检测机制的关键技术之一,心跳频率设定的合理性将影响到故障检测的准确性和完整性。针对大数据环境下,分布式系统产生故障受到网络、节点、作业多方面影响,为了提高心跳频率在多方面因素影响下的合理性设定,提出一种多因素心跳检测综合指标评价模型。在该模型下同时考虑网络负载情况和节点CPU工作状态及节点作业的大小对心跳检测过程的影响。在此基础上,提出了基于多因素评价模型的自适应心跳检测算法。该算法可以随网络环境、节点CPU占用率、作业任务大小自适应地改变心跳频率,综合各因素给出心跳频率设定的最优方案。最后通过实验验证了多因素对心跳频率自适应调整的影响。(本文来源于《计算机工程与应用》期刊2017年24期）
马继伟,何佳洲,丁春山[6]（2017）在《一种基于心跳检测的网络时间同步方法》一文中研究指出针对基于NTP的网络时间同步方法缺乏必要机制对各节点的状态进行监控的问题,提出了一种基于心跳检测的网络时间同步方法,实现了源节点对从节点的状态监控。使用Winpcap开源库在驱动层获取时间戳,能够实现微秒级的时间同步。利用心跳检测机制,从节点可以监测源节点的状态。另外提供了一种备用机制,当源节点故障时,可以实现源节点的动态切换。最后实验验证了方法的可行性。(本文来源于《指挥控制与仿真》期刊2017年01期）
雷辉志[7]（2016）在《定期检测心跳,预防心力衰竭》一文中研究指出心脏是个坚强的器官。我们早在娘胎的时候,心脏就开始不停地为我们服务。如果一个人活到70岁,并且一切正常的话,他的心脏一生跳动的次数估计近乎26亿次。心脏会在晚上以及心情平静的时候得到充分的休息,以便为身体接下来的活动做好准备。所以,每天(本文来源于《长寿》期刊2016年06期）
朱玲羚[8]（2016）在《基于嵌入式系统的心跳检测技术研究》一文中研究指出介绍了一种基于嵌入式的心跳检测系统,主要由两部分组成,基于ARM的Linux操作环境和Windows开发环境。该系统遵循TCP/UDP协议,通过在Linux和Windows环境下分别搭建服务器和客户端,实现对系统的资源管理。该系统具有高可用性及较强的推广应用价值。(本文来源于《电子世界》期刊2016年09期）
白虹,庞建民,戴超,岳峰[9]（2016）在《基于小波变换的木马心跳行为检测方法》一文中研究指出通常的木马心跳行为检测方法利用的是聚类的思想,很难避免木马自身传输数据包的干扰,导致误报。为此,提出基于小波变换的木马心跳行为检测方法。该方法首先将TCP数据包流表示成包长度信号,然后用基于Mallat的强制阈值除噪算法对信号进行处理,最后通过基于包速率的行为详细信息判定算法得出检测结果。实验表明,该检测方法能有效地检测出心跳行为并具有较强的抗干扰性。(本文来源于《计算机科学》期刊2016年04期）
刘畅[10]（2015）在《机电设备自动化系统仿生学心跳检测技术B-HDT》一文中研究指出针对BAS系统中对硬件设备高可用性能、需要实时检测硬件设备的工作状态的问题,提出了仿生学心跳检测技术(B-HDT)。该方法重点分析检测机制,并参考生物学领域判定死亡的方法,以类似于对动物心跳检测的方法,通过检测设备中的心跳值来判断设备的工作状态,并进行了实验测试。实际测试结果表明,该方法可行,并且具有响应速度快、可靠性高、实时性好等特点,可满足BAS检测硬件设备的要求。(本文来源于《计算机应用》期刊2015年S2期）
心跳检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
接种禽流感疫苗是预防禽流感的主要措施之一,将病毒毒株注射到胚蛋体内繁殖病毒是培养禽流感疫苗的主要途径。然而,在培养病毒毒株过程中会产生死亡胚,这些死亡胚必须被剔除出来以防止对正常胚造成污染。因此,在禽流感疫苗制备过程中,对已接种毒株的胚蛋进行成活性检测与分类具有重要意义。目前胚蛋的成活性主要通过人工照蛋方式进行检测,这种检测方法存在检测效率低、工人劳动强度大以及容易产生误检和漏检等弊端,不符合工厂高效率高质量的自动化生产需求。将深度学习方法和胚蛋的图像特征、生理参数特征结合进行成活性检测逐渐成为当下研究的趋势。为了对胚蛋成活性进行有效的检测和分类,本文以9日后鸡蛋胚胎为研究对象,使用光电容积脉搏波描记法(PhotoPlethysmoGraphy,PPG)采集胚蛋的心跳信号作为判别特征,提出将CNN与胚蛋心跳信号结合用于胚蛋成活性检测的方法。首先,针对采集到的胚蛋心跳信号中包含较多环境噪声的问题,设计符合胚蛋心跳信号特性的巴特沃斯高通滤波器对信号进行滤波去噪。其次,对于采集到的9日后鸡蛋胚胎心跳信号数据,提出基于心率阈值的胚蛋成活性分类算法并对算法的有效性进行验证。最后,针对基于心率阈值的胚蛋分类算法在处理胚胎心跳数据时对阈值敏感的问题,提出将CNN与胚蛋心跳信号结合用于成活性检测的方法,分别设计用于分析胚蛋心跳序列的一维卷积神经网络E-CNN和用于处理胚蛋心跳波形图的二维卷积神经网络SR-CNN。SR-CNN通过对心跳波形图进行特征提取有效地弥补了E-CNN在处理含噪信号时的不足。此外,通过使用通道加权和残差结构,SR-CNN不仅起到了特征筛选作用,而且还使得网络收敛性更好,提升了网络的性能。实验结果表明,本文提出的将CNN与胚蛋心跳信号结合用于鸡蛋胚胎成活性检测的方法合理可行,所设计的卷积神经网络E-CNN、SR-CNN在构建的9日后鸡蛋胚胎心跳数据集上分别达到99.50%、99.62%的检测准确率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
心跳检测论文参考文献
[1]..用于检测废墟下被困者心跳的雷达设备[J].军民两用技术与产品.2019
[2].胡玉舟.基于CNN与心跳信号的胚蛋成活性检测方法研究[D].天津工业大学.2019
[3].张晓峰,李欣,孙海春,赵晓凡.基于心跳机制和阈值的云弹性检测方法[J].警察技术.2018
[4].张杰.压力累积效应的心跳模式分析与异常检测[D].西南大学.2018
[5].易俗,殷慧文,王闯,张一川.多因素自适应心跳检测算法研究[J].计算机工程与应用.2017
[6].马继伟,何佳洲,丁春山.一种基于心跳检测的网络时间同步方法[J].指挥控制与仿真.2017
[7].雷辉志.定期检测心跳,预防心力衰竭[J].长寿.2016
[8].朱玲羚.基于嵌入式系统的心跳检测技术研究[J].电子世界.2016
[9].白虹,庞建民,戴超,岳峰.基于小波变换的木马心跳行为检测方法[J].计算机科学.2016
[10].刘畅.机电设备自动化系统仿生学心跳检测技术B-HDT[J].计算机应用.2015
论文知识图
