摘要：为了给青少年提供一个良好的学习环境,校园建筑建设很重要。在校园环境中,主要包含了学校的空间组合结构及校园的人文环境。在此基础上,本文以某中小学为例,对该学校的建筑环境类型组合规划和建筑设计展开了分析,希望能为今后的类似工程提供一些借鉴。

摘要：睡眠呼吸暂停综合征(SAS)是常见的慢性呼吸障碍疾病,常伴随着多种并发症,严重困扰着人类健康。基于可穿戴设备的容积血流脉搏波(PPG)的SAS检测方法引起了广泛关注,具有低成本、低负荷、穿戴方便等优点。针对可穿戴PPG信号干扰更大的问题,提出一种多任务多注意力残差收缩卷积神经网络的睡眠呼吸暂停检测方法。首先,利用智能手环设备,收集了92例手腕部的PPG睡眠数据;其次,设计了一种残差多注意力机制卷积模块,高效地融合了网络在时间域与通道域的双重重要特征;然后,引入残差收缩卷积模块来抑制信号噪声以及网络的冗余特征。以这两种模块的结合构建了用于特征提取的骨干网络。结果表明,片段检测的准确率,敏感性以及特异性分别达到了81.82%,70.27%以及85.81%;个体检测的准确率,敏感性,特异性分别达到了95.65%,88.89%以及97.30%。所提出的模型具有优异的检测性能,有望嵌入到可穿戴设备中。

摘要：阻塞性睡眠呼吸暂停容易引发心血管并发症。作为睡眠呼吸暂停诊断的金标准,多导睡眠仪的检测费用昂贵且影响患者睡眠质量。鉴于心肺高度耦合,心电信号已被广泛应用于睡眠呼吸暂停检测中。然而,大多数基于心电信号的研究专注于人工特征的设计,依赖于专家先验知识。基于深度学习的方法能够减少特征提取过程中的人为因素。提出一种基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法。首先,利用栈式稀疏自编码器,直接从RR间期序列中进行半监督特征学习,先在预训练阶段进行无监督学习,随后在微调阶段引入标签进行有监督学习。然后,构建支持向量机和人工神经网络,分别结合隐马尔可夫模型之后,组成决策融合分类器,隐马尔可夫模型引入片段之间的时间依赖性,决策融合可整合不同分类器之间的优势。基于PhysioNet的apnea-ECG数据库70例整夜睡眠数据,实验结果显示:阻塞性睡眠呼吸暂停片段识别准确率、敏感性和特异性分别为84.7%、88.9%和82.1%,个体识别准确率达到100%。基于自编码器的特征提取方法相较于特征工程,能够降低先验知识限制,使特征提取过程更加自动化、智能化。此外,决策融合分类器相较于单一分类器,不仅可提升片段识别准确率,而且能缓解识别结果中敏感性和特异性之间的不平衡性。

摘要：为了实现日常生活的动态呼吸监测,本研究设计了一种电子健康腰带。利用"体域网"的穿戴式人体生理参数动态监测技术和呼吸感应体积描记术(RIP),将电感传感器嵌入织物中,设计了动态呼吸监测穿戴式微系统。对22位被测试者进行了不同日常生活活动(坐-走-跑-恢复)和连续6 h的睡眠呼吸监测实验。结果表明:在不同日常生活中,呼吸率的平均测量精度约为95%。所设计的基于体域网和RIP技术的呼吸波监测腰带,可用于日常生活和睡眠呼吸监测。