多传感器数据融合在人体健康监测中的应用研究

摘要

随着科技的发展，人们的生活水平在不断提高，越来越多的人存在着亚健康甚至是不健康状态。同时，医疗行业需求量也在不断增加。由于目前的医疗资源有限，无法对当前社会中大多数人进行全面、专业的健康监控。针对上述问题，本文提出了将多传感器数据融合算法应用到人体健康监测中，通过无线传感网络采集人体生理参数，然后利用数据融合算法对生理参数进行融合分析，最后得到我们人体的健康状态。　　本文以人体生理参数作为研究对象。首先，针对无线传感网络中采集的原始数据存在离群点的情况，提出了基于多体征数据相关的离群点识别、检测算法。利用多模态数据之间的相关性，对异常点数据进行识别、检测，与传统的异常数据检测算法相比，本文的算法具有较高的识别率以及较低的误报率；其次，以D-S证据理论作为数据融合的基础算法，针对D-S模型中存在的缺点，提出利用支持向量机与D-S证据理论结合的方法进行数据融合和决策。针对标准支持向量机分类过程中核函数以及惩罚因子难以确定最优值的缺点，提出了采用动态混沌萤火虫算法来对核函数以及惩罚因子进行优化。实验仿真证明，该方法相比于标准SVM算法提升了分类效果。将优化后的支持向量机与D-S证据理论结合，形成新的数据融合模型，通过实验仿真发现，与标准的D-S证据理论以及支持向量机相比，该算法在识别与决策上有一定的优势；最后，本文构建了人体健康监测软硬件平台，将采集的人体生理参数与本文第四章的数据融合算法模型进行结合应用，并对结果进行了相应的分析。上述实验表明，基于数据融合算法的人体健康监测是具有可行性的。　　大数据健康以及健康状态的评估是未来发展的趋势，本课题的研究能够帮助我们和医疗工作者更加有效的检测自身状态。从仿真实验结果可以看出，本文研究的模型在健康状态的检测和识别方面与传统的算法相比具有一定的优势，为未来的健康发展提供一些思路。

目录

声明

1 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.2.1 多传感器数据融合的发展现状

1.2.2 人体健康监测系统的发展现状

1.3 论文研究内容

1.4 论文的组织结构

2 数据融合与人体健康监测系统相关理论

2.1 数据融合关键技术

2.1.1 数据融合的定义

2.1.2 数据融合的通用结构

2.1.3 多传感数据融合的分类

2.1.4 数据融合的方法

2.2 人体健康监测系统研究

2.2.1 终端节点

2.2.2 无线传输

2.2.3 数据处理

2.3 本章小结

3 多体征参数的异常检测研究

3.1 引言

3.2.1 局部异常因子检测

3.2.2 孤立森林

3.3 多属性相关的异常检测算法研究

3.3.1 滑动窗口模型及数据相关性

3.3.2 基于多相关性的数据异常检测

3.4 实验结果分析与比较

3.5 本章小结

4 多体征参数数据融合算法的研究

4.1 引言

4.2 现有算法及其不足之处

4.2.1 D-S证据理论的基本概念与定义

4.2.2 D-S证据理论组成规则

4.2.3 D-S证据理论算法的不足之处

4.3.1 机器学习算法的选择

4.3.2 SVM的基本概念与定义

4.3.3 SVM的惩罚因子以及核函数

4.3.4 改进的支持向量机算法研究

4.3.5 实验结果分析与比较

4.4 基于改进SVM和D-S证据理论结合的决策级融合

4.4.1 支持向量机的多分类问题

4.4.2 BPA函数的构造

4.4.3 实验结果分析与比较

4.5 本章小结

5 系统设计与测试

5.1 引言

5.2.1 系统设计原则分析

5.2.2 系统总体设计架构

5.3 系统硬件设计

5.3.1 终端节点设计

5.3.2 汇聚节点设计

5.4 系统软件设计

5.4.1 终端节点软件设计

5.4.2 汇聚节点软件设计

5.4.3 服务器软件设计

5.5.1 数据采集功能测试

5.5.2 Web服务器测试

5.5.2 数据融合算法测试及结果分析

5.6 本章小结

6 结论

6.1 总结

6.2 展望

致谢

参考文献

攻读学位期间取得的研究成果