slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
裝設於汽車 安全帶之 呼吸量測系統 指導教授: 林泰吉 教授 專題學生:廖家偉、林宏禮 PowerPoint Presentation
Download Presentation
裝設於汽車 安全帶之 呼吸量測系統 指導教授: 林泰吉 教授 專題學生:廖家偉、林宏禮

Loading in 2 Seconds...

play fullscreen
1 / 1

裝設於汽車 安全帶之 呼吸量測系統 指導教授: 林泰吉 教授 專題學生:廖家偉、林宏禮 - PowerPoint PPT Presentation


  • 177 Views
  • Uploaded on

裝設於汽車 安全帶之 呼吸量測系統 指導教授: 林泰吉 教授 專題學生:廖家偉、林宏禮. 摘要. 概念圖. 駕駛 精神狀態監控是非常熱門的 研究領域 ,但目前解決方案不論是眨眼 偵測、膚色 偵測 ECG 、都卜勒雷達迴波 等都有裝 設不易及易受環境影響等 缺點。在本次的專題 研究則採用安裝在 安全帶套上的 g-sensor 偵測 呼吸時胸腔的起伏 ,並利用高階 非線性 EMD 演算法成功濾 除汽車行進 與其他 g-sensor 上的雜訊, 初步成果展示 可有效得到駕駛之呼吸訊號。. 中控平台. 三軸加速度訊號. EMD 演算法介紹. EMD.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about '裝設於汽車 安全帶之 呼吸量測系統 指導教授: 林泰吉 教授 專題學生:廖家偉、林宏禮' - len-david


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

裝設於汽車安全帶之呼吸量測系統

指導教授:林泰吉 教授

專題學生:廖家偉、林宏禮

  • 摘要
  • 概念圖

駕駛精神狀態監控是非常熱門的研究領域,但目前解決方案不論是眨眼偵測、膚色偵測ECG、都卜勒雷達迴波等都有裝設不易及易受環境影響等缺點。在本次的專題研究則採用安裝在安全帶套上的g-sensor偵測呼吸時胸腔的起伏,並利用高階非線性EMD演算法成功濾除汽車行進與其他g-sensor上的雜訊,初步成果展示可有效得到駕駛之呼吸訊號。

中控平台

三軸加速度訊號

  • EMD演算法介紹

EMD

希爾伯特-黃轉換(Hilbert-Huang Transform),由台灣中央研究院院士黃鍔(Norden E. Huang)等人提出,將欲分析資料分解為本質模態函數(intrinsic mode functions, IMF),這樣的分解流程稱為經驗模態分解(Empirical Mode Decomposition, EMD)的方法。然後將IMF作希爾伯特轉換,正確地獲得資料的瞬時頻率。此方法處理對象乃針對非穩態與非線性訊號。希爾伯特-黃轉換算是一種應用在數據資料上的演算法,而非理論工具。

建立IMF是為了滿足希爾伯特轉換對於瞬時頻率的限制條件之前置處理,也是一種轉換的過程。我們將IMF來做希爾伯特轉換可以得到較良好的特性,不幸的是大部分的資料並不是IMF,而是由許多弦波所合成的一個組合。如此一來希爾伯特轉換並不能得到正確的瞬時頻率,我們便無法準確的分析資料。為了解決非線性(non-linear)與非穩態(non-stationary)資料在分解成IMF時所遇到的困難,便發展出EMD。

以下為範例:

左邊為整個EMD的演算法流程,右邊為整個流程的示意圖,

只要一直重複下面的步驟就可以找到我們所需要的IMF了。

G-sensor

呼吸訊號

此處使用藍芽無線傳輸

  • 作品流程圖

Input-三軸加速度訊號(汽車行進中,駛過緩速坡)

(黃色圈出部分,為經過緩速坡時所造成之波動)

EMD訊號處理演算法(中控平台)

Output-處理過之呼吸訓號(只留下乾淨的呼吸訊號)

Step1:找出區域極大值

Step2:把區域極大值利用立方雲線(cubic spline)相連,形成上包絡線(upper envelope)

(可以發現圈起的部分波動較大,其餘未圈起的部分則是正常情況下的呼吸訊號波形)

  • 結論

我們在這次的專題製作當中,成功的利用低價位之g-sensor,實現了利用g-sensor擷取呼吸訊號,這個原本不容易達成的目標;因為g-sensor與生俱來的高雜訊是一個處理的難題,但是我們使用EMD高階訊號處理演算法,成功的分離出汽車在行駛過程中的一些雜訊,只留下駕駛人在呼吸時胸腔起伏所產生的呼吸訊號。

Step3:同理把找出區域極小值並利用立方雲線相連,並形成下包絡線(lower envelope)

  • 參考文獻

Step4:計算其上下包絡線之平均值

[1]N. E. Huang, et al., “The empirical mode decomposition

and the Hilbert spectrum for non-linear and non-stationary

time series analysis,” in Proc. R. Soc. Lond., pp. 903-

995, 1998.

[2]S. Bharathi, et al, “Prevention of accident using thorax

pressure sensor,” UNIASCIT, Jan. 2011, vol. 1, p.p. 1-4.

Step5:將平均值從原本的圖形減去就可以得到新的訊號

EMD演算法流程圖