android的个人健康监测系统的研发(源码)
我国经济持续不断发展的背后，是一群有着巨大学业，工作和生活压力的年轻人作为支撑，他们在如此巨大压力下往往缺乏睡眠和锻炼。因此，他们中绝大部分身体都处于亚健康状态，监测身体的健康尤为重要。本文设计开发了一款基于Android平台的个人健康监控系统，用户可以通过手机监控自己的个人健康状况。本系统使用了Android的AudioRecord类以获取用户睡眠的录音，通过端点检测技术实现对鼾声的识别。设计实现了对睡眠时每个时间段的打鼾次数的监测，以及对睡眠呼吸暂停次数的监测，并生成图表以供查看。借由呼吸暂停次数，用户可以判断自己是否有患睡眠呼吸暂停综合症的可能性。并且对鼾声段进行FFT变换，获取鼾声的能量比，基频，基频幅度等数据存入文件中，以供后续的深入研究。关键词 健康监测，睡眠，打鼾，安卓
目 录
1 引言1
1.1 开发背景1
1.2 国内外研究现状1
1.3 课题研究的目的和意义3
1.4 相关技术与工具简介3
1.5 系统开发的软硬件配置7
2 系统分析7
2.1 可行性分析7
2.2 需求分析8
3 总体设计9
3.1 数据库设计9
3.2 软件ER图 10
3.3 数据库详细设计11
4 鼾声信号处理9
4.1 鼾声信号的特征9
4.2 录音数据的预处理10
4.3 获取鼾声段11
4.4 基于傅里叶变换的睡眠呼吸暂停综合症检测11
5 详细设计及编码12
5.1 页面设计17
5.2 鼾声监测功能的设计21
6 系统测试24
6.1 测试目的26
6.2 具体测试平台26
6.3 测试方法26
6.4 测试用例26
结 论28
致 谢29
参考文献 30
1 引言
经济的不断发展向前，伴随着的是一代代青年人辛勤的付出。他们肩负着各种使命，承受着各色的学业，工作和生 *好棒文|www.hbsrm.com +Q: ^351916072^
活压力。忙碌的生活让他们更倾向于忽视自身的身体状况，而将注意力放在学习工作上。缺少睡眠，缺少运动，殊不知身体才是奋斗的本钱。而我认为如果想要更好的学习生活，就应该对个人健康的监测下功夫。本文设计制作了一款基于Android平台的个人健康监控系统，通过移动设备监测我们的睡眠和运动。
1.1 开发背景
随着经济的不断发展，越来越多的年轻人承受着更多工作或学习上带来的重负，缺乏睡眠和锻炼。因此，其中绝大部分身体都或多或少有一些亚健康因素被忽略。因此，监测身体的健康尤为重要。睡眠和锻炼，是人们日常生活的必需，是评判健康与否的重要指标。与医院的具体体检不同，对睡眠和运动的监测更简单，频率高且持续时间较长。监测和检查的区别在于，长时间和高频率，这使监测出的结果更加令人信服。
随着更深入的了解，我们发现除了年轻人之外，中老年人对健康监测的需求也很高。中年人日渐肥胖且体型强壮，“三高”已经成为中年人的一大难题。一些中年人非常重视自己的健康，经常去医院做各种检查。这种耗费时间和劳动的工作，同时也消耗了大量的资金，所以基于移动平台的健康监测更具优势。
智能移动设备的数量近几年程爆发性增长，与此同时网络技术也得到了空前的发展。为此，本文设计制作了一种个人健康监控系统，它是基于移动端安卓操作系统的。用户可以通过手机监控自己的个人健康状况，为检测人体健康状况提供了新的思路。
1.2 国内外研究现状
打鼾，也被称为打呼噜，通常与睡眠有关。而产生这种声音的生理原因是当咽喉通道变得狭窄时，气体会随着自身的通过而发出鼾声。打鼾除了影响在同一房子里的其他人，其实对于自身健康状况的体现更加重要。在过去，很少有人知道打鼾对自己的影响。但经过学者们对于打鼾这种生理现象的大量研究后，发现睡眠呼吸暂停（OSAS）是伴随打鼾最常见的病症。在睡眠打鼾的期间，人呼吸的氧气会下降，随着时间的推移会非常影响人的健康[1]。现在我国的主流呼吸暂停试验仍是相对落后的多导睡眠图监测,尽管它拥有非常专业的研究设备，可以检测脑电、口鼻气流、打鼾、心电图和许多其他的参数，但是仍然必须依靠专业的医疗技术人员晚上检查,完全手工分析,然后准备进一步治疗[2]。尽管在检测的准确性方面确实很高，但价格仍然是一个问题，成为患者的负担。而且对于打鼾的研究是很困难的。首先，人们都是主观的去了解和研究打鼾，这就造成对鼾声的研究会被各种主观因素影响。其次，鼾声的可变性增加了研究的难度[3]。
这种多导睡眠图监测存在着诸多的问题。首先，它需要监测包括呼吸、血氧、心电等诸多数据。这也就导致了它有很多的设备需要用户进行穿戴，实际上这也是很影响用户睡眠的因素。往往戴上这些监测设备，在陌生的环境下睡眠，会让患者有更加严重的不适感，导致诊断结果出现差距。这样既不准确，又不方便。
目前，国内大多的研究者以鼾声的时域和频域参数为出发点，采用均值，标准差，概率阈值等等指标。
张海秀于2011年提出了基于子带能量比的筛查方法，是利用睡眠呼吸暂停综合症患者和单纯打鼾者在不同的子带频段内能量的差异进行有效的区分[6]。
陈伟伟于2010年提出利用K均值聚类方法将鼾声间隔时间分为正常情况和呼吸暂停情况两类，再通过两类中心距离与呼吸暂停次数决定是否患有呼吸暂停综合症[21]。
钱昆于2014年通过提取鼾声信号的特征向量再利用机器学习进行分类从而实现对睡眠呼吸综合症的筛查[7]。
但以上这些研究方法都是单一参数，而多导睡眠图监测有十几项参数，这就说明单一参数的研究方法可能都是不全面的。
而在国外，对于鼾声的研究也逐步深入。人类能够区分频率相差仅0.2％的声音。 过去已经开发了听觉模型，试图通过使用生理和解剖数据来数值地解释这种听觉现象。 赫尔姆霍兹在1877年提出了他的音调感知理论，其中包括将耳朵作为频率分析仪. 此后，研究人员利用动物进行了实验，并开发了数学模型来解释基于基底膜振动的频率分析现象。在1974年Fletcher提出了基于基底膜运动所产生的频率分析的听觉滤波器。目前，听觉过滤器用于确定听觉模型输入[10]。
最近有许多小组开发了描述听觉过程的计算模型。Langner和Meddis等人提出了基于人体听觉系统的生理数据的周期性检测模型。Patterson的小组提出了一种功能模型方法来捕捉声音的音调以及其周期性的信息。这个模型被称为听觉图像模型（AIM）。Patterson等人也模拟了音调感知过程,用于模拟动物噪音和乐器声音，以及耳道的功能。并证明他们的模型可以准确地描述现象，例如相互颠倒的音调感觉,缺失效应和鸡尾酒会效应,这不能用传统的听觉模型来解释。
目 录
1 引言1
1.1 开发背景1
1.2 国内外研究现状1
1.3 课题研究的目的和意义3
1.4 相关技术与工具简介3
1.5 系统开发的软硬件配置7
2 系统分析7
2.1 可行性分析7
2.2 需求分析8
3 总体设计9
3.1 数据库设计9
3.2 软件ER图 10
3.3 数据库详细设计11
4 鼾声信号处理9
4.1 鼾声信号的特征9
4.2 录音数据的预处理10
4.3 获取鼾声段11
4.4 基于傅里叶变换的睡眠呼吸暂停综合症检测11
5 详细设计及编码12
5.1 页面设计17
5.2 鼾声监测功能的设计21
6 系统测试24
6.1 测试目的26
6.2 具体测试平台26
6.3 测试方法26
6.4 测试用例26
结 论28
致 谢29
参考文献 30
1 引言
经济的不断发展向前，伴随着的是一代代青年人辛勤的付出。他们肩负着各种使命，承受着各色的学业，工作和生 *好棒文|www.hbsrm.com +Q: ^351916072^
活压力。忙碌的生活让他们更倾向于忽视自身的身体状况，而将注意力放在学习工作上。缺少睡眠，缺少运动，殊不知身体才是奋斗的本钱。而我认为如果想要更好的学习生活，就应该对个人健康的监测下功夫。本文设计制作了一款基于Android平台的个人健康监控系统，通过移动设备监测我们的睡眠和运动。
1.1 开发背景
随着经济的不断发展，越来越多的年轻人承受着更多工作或学习上带来的重负，缺乏睡眠和锻炼。因此，其中绝大部分身体都或多或少有一些亚健康因素被忽略。因此，监测身体的健康尤为重要。睡眠和锻炼，是人们日常生活的必需，是评判健康与否的重要指标。与医院的具体体检不同，对睡眠和运动的监测更简单，频率高且持续时间较长。监测和检查的区别在于，长时间和高频率，这使监测出的结果更加令人信服。
随着更深入的了解，我们发现除了年轻人之外，中老年人对健康监测的需求也很高。中年人日渐肥胖且体型强壮，“三高”已经成为中年人的一大难题。一些中年人非常重视自己的健康，经常去医院做各种检查。这种耗费时间和劳动的工作，同时也消耗了大量的资金，所以基于移动平台的健康监测更具优势。
智能移动设备的数量近几年程爆发性增长，与此同时网络技术也得到了空前的发展。为此，本文设计制作了一种个人健康监控系统，它是基于移动端安卓操作系统的。用户可以通过手机监控自己的个人健康状况，为检测人体健康状况提供了新的思路。
1.2 国内外研究现状
打鼾，也被称为打呼噜，通常与睡眠有关。而产生这种声音的生理原因是当咽喉通道变得狭窄时，气体会随着自身的通过而发出鼾声。打鼾除了影响在同一房子里的其他人，其实对于自身健康状况的体现更加重要。在过去，很少有人知道打鼾对自己的影响。但经过学者们对于打鼾这种生理现象的大量研究后，发现睡眠呼吸暂停（OSAS）是伴随打鼾最常见的病症。在睡眠打鼾的期间，人呼吸的氧气会下降，随着时间的推移会非常影响人的健康[1]。现在我国的主流呼吸暂停试验仍是相对落后的多导睡眠图监测,尽管它拥有非常专业的研究设备，可以检测脑电、口鼻气流、打鼾、心电图和许多其他的参数，但是仍然必须依靠专业的医疗技术人员晚上检查,完全手工分析,然后准备进一步治疗[2]。尽管在检测的准确性方面确实很高，但价格仍然是一个问题，成为患者的负担。而且对于打鼾的研究是很困难的。首先，人们都是主观的去了解和研究打鼾，这就造成对鼾声的研究会被各种主观因素影响。其次，鼾声的可变性增加了研究的难度[3]。
这种多导睡眠图监测存在着诸多的问题。首先，它需要监测包括呼吸、血氧、心电等诸多数据。这也就导致了它有很多的设备需要用户进行穿戴，实际上这也是很影响用户睡眠的因素。往往戴上这些监测设备，在陌生的环境下睡眠，会让患者有更加严重的不适感，导致诊断结果出现差距。这样既不准确，又不方便。
目前，国内大多的研究者以鼾声的时域和频域参数为出发点，采用均值，标准差，概率阈值等等指标。
张海秀于2011年提出了基于子带能量比的筛查方法，是利用睡眠呼吸暂停综合症患者和单纯打鼾者在不同的子带频段内能量的差异进行有效的区分[6]。
陈伟伟于2010年提出利用K均值聚类方法将鼾声间隔时间分为正常情况和呼吸暂停情况两类，再通过两类中心距离与呼吸暂停次数决定是否患有呼吸暂停综合症[21]。
钱昆于2014年通过提取鼾声信号的特征向量再利用机器学习进行分类从而实现对睡眠呼吸综合症的筛查[7]。
但以上这些研究方法都是单一参数，而多导睡眠图监测有十几项参数，这就说明单一参数的研究方法可能都是不全面的。
而在国外，对于鼾声的研究也逐步深入。人类能够区分频率相差仅0.2％的声音。 过去已经开发了听觉模型，试图通过使用生理和解剖数据来数值地解释这种听觉现象。 赫尔姆霍兹在1877年提出了他的音调感知理论，其中包括将耳朵作为频率分析仪. 此后，研究人员利用动物进行了实验，并开发了数学模型来解释基于基底膜振动的频率分析现象。在1974年Fletcher提出了基于基底膜运动所产生的频率分析的听觉滤波器。目前，听觉过滤器用于确定听觉模型输入[10]。
最近有许多小组开发了描述听觉过程的计算模型。Langner和Meddis等人提出了基于人体听觉系统的生理数据的周期性检测模型。Patterson的小组提出了一种功能模型方法来捕捉声音的音调以及其周期性的信息。这个模型被称为听觉图像模型（AIM）。Patterson等人也模拟了音调感知过程,用于模拟动物噪音和乐器声音，以及耳道的功能。并证明他们的模型可以准确地描述现象，例如相互颠倒的音调感觉,缺失效应和鸡尾酒会效应,这不能用传统的听觉模型来解释。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1044.html
