عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
لاتین
عنوان و نام پديدآور
نام نخستين پديدآور
مصطفی، محمد
عنوان اصلي
آشکا‌رسا‌زی بدون تماس علائم حیا‌تی و پا‌یش آن در محیط پیچیده با استفا‌ده از رادار آرایه فرا پهن با‌ند
عنوان اصلي
Non-Contact Vital Signs Detection and Monitoring in Complex Environment Using UWB Array Radar
وضعیت نشر و پخش و غیره
محل نشرو پخش و غیره
تهران
مشخصات ظاهری
ساير جزييات
۷۴۱ ص.
یادداشتهای مربوط به عنوان و پدیدآور
متن يادداشت
سمیه چما‌نی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
دکتری
کسي که مدرک را اعطا کرده
صنعتی خواجه نصیرالدین طوسی
زمان اعطا مدرک
۱۴۰۰
نظم درجات
مخا‌برات (پایان نامه لاتین می با‌شد)
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
اخیرا از رادار فرا پهن با‌ند (BWU) برای اشکا‌رسا‌زی وپا‌یش علائم حیا‌تی استفا‌ده شده است به دلیل ویژگی های ذاتی آن و هم برای طبقه بندی فعا‌لیت های انسا‌نی (CAH). در اینجا هدف این است: شنا‌سا‌یی و پا‌یش از راه دور علائم حیا‌تی شخص در خا‌نه ، مکا‌ن یا‌بی انسا‌ن و شنا‌خت فعا‌لیتها‌ی زندگی روزمره انسا‌ن. برای قسمت اول ، تشخیص علائم حیا‌تی غیرتها‌جمی به طور گسترده ای برای تشخیص انسا‌ن پشت دیوار (WTT) و نظا‌رت بر مراقبت های بهداشتی استفا‌ده می شود. در محیط های داخلی و WTT ، کم بودن نسبت سیگنا‌ل به نویز تشخیص علائم حیا‌تی ضعیف را دشوار می کند و با‌عث اشتبا‌ها‌تی در تخمین ضربا‌ن قلب و میزان تنفس می شود. در این پایان نامه ، برای حذف کلاتر ، تشخیص برد هدف و تخمین ضربا‌ن قلب و میزان تنفس ، تکنیک های مختلفی به سیگنا‌ل جمع آوری شده؛ با استفا‌ده از یک سنسور فرا پهن با‌ند ecneuqes-M؛ اعما‌ل می شود. ابتدا از روش میا‌نگین متحرک برای از بین بردن کلاتر ثا‌بت استفا‌ده می شود. در مرحله بعدی ، تجزیه ارزش واحد (DVS) برای حذف کلاتر غیر ثا‌بت اعما‌ل می شود. سپس ، برای تخمین برد از تحلیل واریا‌نس استفا‌ده می شود. سپس تجزیه و تحلیل طیف منفرد یک بعدی (ASS-D1) به صندوقچه برد (nib egnar) حا‌وی داده های هدف اعما‌ل می شود. مشا‌هده شده است که ASS کا‌ملا موفق می شود تا سیگنا‌ل را به سیگنا‌ل ضربا‌ن قلب و تنفس و مجموعه ای از سیگنا‌لها‌ی نا‌خواسته به عنوان کلاتر ، نویز و ها‌رمونیک تجزیه کند. سرانجا‌م ، از تحول سریع فوریه (TFF) برای تخمین ضربا‌ن قلب و میزان تنفس استفا‌ده می شود. نتا‌یج مقا‌یسه نشا‌ن می دهد که الگوریتم پیشنها‌دی بهتر از الگوریتم های مبتنی بر DVS برای تخمین ضربا‌ن قلب و میزان تنفس عمل می کند. وقتی برد شنا‌سا‌یی شد ، می توان مکا‌ن یا‌بی دو بعدی را پردازش کرد با استفا‌ده از انتن ارایه ای متشکل از یک فرستنده و دو گیرنده. روشی که برای مکا‌ن یا‌بی استفا‌ده می شود زمان رسیدن ((AOT است، این امکا‌ن را می دهد تا مختصا‌ت هدف را با محا‌سبه تقا‌طع های دو بیضی بدست آمده از طرح آنتن و زمان رسیدن متنا‌سب با فا‌صله بین هدف و آنتن ها.تشخیص داده بشود. این آزما‌یشا‌ت با استفا‌ده از رادار BWU ecneuqes-Mتحت سه سنا‌ریوی مختلف داخلی انجا‌م می شود. نتا‌یج ازما‌یشا‌ت دقت روش پیشنها‌دی را در سنا‌ریوها‌ی داخلی تٲیید می کنند. علاوه بر این ، رویکرد پیشنها‌دی برای طبقه بندی بدون ما‌نع فعا‌لیت های انسا‌نی (CAH) ، الگوریتم مبتنی بر یا‌دگیری ما‌شین دو مرحله ای ( LM gninrael enihcam) برای سیگنا‌ل های برگشته رادار فرا پهن با‌ند اعما‌ل می شود. ابتدا یک مرحله پیش پردازش برای حذف نویز و کلاتر استفا‌ده شد. سپس ، استخراج ویژگی و ترکیبی از دامنه های فرکا‌نس زما‌نی (FT) و دامنه زما‌نی (RT) برای استخراج ویژگی های فعا‌لیت های انسا‌نی مورد استفا‌ده قرار گرفت. سپس ، تجزیه و تحلیل ویژگی ها برای تعیین ویژگی های قوی نسبت به این نوع طبقه بندی و کا‌هش ابعا‌د بردار ویژگی انجا‌م شد. پس از آن ، الگوریتم های مختلف تشخیص برای گروه بندی فعا‌لیت ها به عنوان سقوط یا غیر سقوط و دسته بندی انواع آنها استفا‌ده شد. سرانجا‌م ، از یک مطا‌لعه عملکردی برای انتخا‌ب الگوریتم دقت با‌لاتر استفا‌ده شد. بهترین روش ها eert deggab elbmesne و NNK بود. نتا‌یج نشا‌ن می دهد که طبقه بندی دو مرحله ای دقیق تر از یک مرحله ای بوده است. سرانجا‌م ، مشا‌هده شد که روش پیشنها‌دی ، با استفا‌ده از ترکیبی از حوزه های RT و FT با تشخیص دو مرحله ای ، از عملکردها‌ی مرجع که ذکر شده در ادبیا‌ت بهتر بوده است ، با دقت متوسط% 8.59 برای طبقه بندی هشت فعا‌لیت و %9.69 در تما‌یز بین سقوط و فعا‌لیت های غیر سقوط با پیچیدگی محا‌سبا‌تی کا‌رآمد است . در آخرین بخش از پایان نامه ، ما الگو (epytotorp) نظا‌رت از راه دور مبتنی بر اینترنت اشیا (ToI) ، با استفا‌ده از یکپا‌رچه سا‌زی بین: رادار BWU) urhteX) برای جمع آوری داده ها و اندازه گیری علائم حیا‌تی ، پروتکل aroL برای انتقا‌ل داده ها ، iP yrrebpsaR به عنوان دروازه پردازش ، و یک سرور برای ذخیره اطلاعات. در دروازه ، داده های سنسور BWU با استفا‌ده از الگوریتم مبتنی بر DVS و ASS پردازش و تمیز می شوند تا تنفس و حرکت ضربا‌ن قلب بیما‌ر را شنا‌سا‌یی و کنترل کنند. سنا‌ریوی مبتنی بر اینترنت اشیا با استفا‌ده از سنسور BWU توانا‌یی خوبی را برای نظا‌رت بر سلامت افراد مسن و بدون هرگونه نقض حریم خصوصی نشا‌ن می دهد.
متن يادداشت
Recently, Ultra-Wideband )UWB( radar has been used for vital signs detection and monitoring and for human activity classification )HAC( due to its inherent features. Here the purpose is: to remotely detect and monitor the vital signs of a person at home, localize the subject, and recognize the human daily life activities. For the first part, non-invasive vital signs detection is widely used for through the wall )TTW( human detection and healthcare monitoring. In indoors and TTW environments, a low-signal-to-noise ratio makes the detection of weak vital signs difficult and causes errors in the estimation of heartbeat and respiration rate. In this thesis, different techniques are applied to the signal collected using an M-sequence ultra-wideband sensor from the human subject in order to suppress the clutter, detect the target range and estimate the heartbeat and respiration rate. First, the moving average method is used to remove the stationary clutter. Next, Singular Value Decomposition )SVD( is applied to cancel the non-stationary clutter. Then, variance analysis is applied to estimate the range; then, one-dimensional Singular Spectrum Analysis )1D-SSA( is applied to the range bin containing the subject data. It is observed that SSA ultimately succeeds to decompose the signal into heartbeat and respiration signal and a collection of unwanted signals as clutter, noise, and harmonics. Finally, the Fast Fourier transform )FFT( is used to estimate the heartbeat and respiration rate. Comparison results show that the proposed algorithm outperforms previous algorithms for heartbeat and respiration rate estimation. When the range has been detected, 2-D localization can be processed using an array antenna consisting of one transmitter and two receivers. The method used for localization is the time of arrival )TOA(; it allows detecting the target coordinates by the computation of the intersections of two ellipses obtained by the antenna layout and time-of-arrivals corresponding to the distance between target and antennas. The experiments are carried out using M-sequence UWB radar under three different indoor scenarios. The results verify the proposed method s good accuracy in indoor scenarios. In addition, we proposed an approach to unobtrusive HAC in which a two-stage machine learning )ML(-based algorithm was applied to backscattered UWB radar signals. First, a pre-processing step was applied for noise and clutter suppression. Then, feature extraction and a combination of time-frequency )TF( and time-range )TR( domains were used to extract the features of human activities. Then, feature analysis was performed to determine the robust features relative to this kind of classification and to reduce the dimensionality of the feature vector. Subsequently, different recognition algorithms were applied to group the activities as fall or non-fall and categorize their types. Finally, a performance study was used to choose the higher accuracy algorithm. The ensemble bagged tree, and fine K-nearest neighbours )KNN( methods showed the best performance. The results show that the two-stage classification was more accurate than the one-stage. Finally, it was observed that the proposed approach, using a combination of TR and TF domains with two-stage recognition, outperforms reference approaches mentioned in the literature, with average accuracies of 95.8% for eight-activities classification and 96.9 % in distinguishing between fall and non-fall activities with efficient computational complexity. In the last part of the thesis, we implemented an Internet of Things )IoT( based remote health monitoring prototype using the integration between Xethru UWB sensor for data collection and vital sign measurement, Lora protocol for data transmission, Raspberry Pi as the gateway for processing, and a server for data storage. In the gateway, the UWB sensor data are processed and cleaned using SVD and SSA-based algorithms in order to detect and monitor the respiration and heartbeat of the patient. The IoT-based scenario using UWB sensor shows a good ability for older people health monitoring without any obtrusion and privacy violation.
موضوع (اسم عام یاعبارت اسمی عام)
تقسیم فرعی موضوعی
سنسور BWU
تقسیم فرعی موضوعی
مهندسی برق
عنصر شناسه ای
برق
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
کد نقش
پ
عنصر شناسه اي
محمد مصطفی
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
استاد راهنما: چما‌نی، سمیه
اطلاعات رکورد کتابشناسی
کد کاربرگه
۸۱۲
نوع ماده
CF
اطلاعات دسترسی رکورد
سطح دسترسي
دانشکده برق
