實(shí)現(xiàn)病人護(hù)理監(jiān)測(cè)數(shù)據(jù)的動(dòng)態(tài)可視化,需要完成大量含噪數(shù)據(jù)的準(zhǔn)確實(shí)時(shí)分析和處理,為此,提出了基于分布式集群的監(jiān)測(cè)數(shù)據(jù)可視化模型。在采集融合層,護(hù)理監(jiān)測(cè)系統(tǒng)通過(guò)傳感器采集病人的各項(xiàng)生理數(shù)據(jù),為降低噪聲影響,同時(shí)考慮到目標(biāo)信號(hào)幅值波動(dòng)和幅值較小情況,設(shè)計(jì)了與噪聲均方差相關(guān)的自適應(yīng)門限濾波。分析層收集采集融合后的數(shù)據(jù),針對(duì)特征提取的非線性,采用小波分解得到特征參數(shù)和分布圖譜之間的關(guān)聯(lián)函數(shù),根據(jù)時(shí)間序列分布對(duì)特征提取模型進(jìn)行重構(gòu),并將算法部署到分布式集群上,利用將護(hù)理監(jiān)測(cè)數(shù)據(jù)特征提取拆分成多個(gè)子任務(wù),同時(shí)將各子任務(wù)部署到不同的服務(wù)器上執(zhí)行,形成分布式并行處理,最終在應(yīng)用層得到病人護(hù)理實(shí)時(shí)準(zhǔn)確的監(jiān)測(cè)結(jié)果。通過(guò)仿真,驗(yàn)證所設(shè)計(jì)模型能夠自適應(yīng)過(guò)濾數(shù)據(jù)中的噪聲信號(hào),快速準(zhǔn)確的完成護(hù)理監(jiān)測(cè)數(shù)據(jù)的分析,為動(dòng)態(tài)可視化提供可靠的后端處理支持。 

【文章來(lái)源】：計(jì)算機(jī)仿真. 2020,37(08)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

護(hù)理監(jiān)測(cè)系統(tǒng)模型框架

為應(yīng)對(duì)病人護(hù)理監(jiān)測(cè)系統(tǒng)產(chǎn)生的大量數(shù)據(jù),為可視化實(shí)現(xiàn)提供動(dòng)態(tài)高效的數(shù)據(jù)處理參數(shù),引入Hadoop集群設(shè)計(jì),利用HDFS進(jìn)行數(shù)據(jù)的持久化,利用MapReduce對(duì)數(shù)據(jù)特征的提取聚類做分布式計(jì)算,集群設(shè)計(jì)和分布式計(jì)算實(shí)現(xiàn)了可視化特征提取的多級(jí)并行操作,所以在精確性與實(shí)時(shí)性方面都會(huì)有所提高。Hadoop可視化特征處理模型描述如圖2。根據(jù)模型描述,通過(guò)采集融合過(guò)程,過(guò)濾掉原始數(shù)據(jù)中的噪聲后,數(shù)據(jù)作為Hadoop的輸入送至HDFS文件系統(tǒng)。此時(shí),一部分?jǐn)?shù)據(jù)和中間參數(shù)會(huì)被持久化,還有部分?jǐn)?shù)據(jù)被作為MapReduce的輸入。MapReduce首先將輸入采取奇異值判斷,再將數(shù)據(jù)采取聚類操作,得到可視化特征分布情況,根據(jù)時(shí)域和頻域變換,利用小波算法分解得到特征參數(shù)和分布圖譜之間的關(guān)聯(lián)函數(shù),達(dá)到降維化簡(jiǎn)效果。針對(duì)線性模型,利用時(shí)間序列重構(gòu)可視化模型提取數(shù)據(jù)特征。最終將輸入的大量數(shù)據(jù)經(jīng)過(guò)冗余去除和特征提取分類,轉(zhuǎn)換為有利用價(jià)值的診斷狀態(tài)和分析結(jié)果等。

利用Matlab模擬產(chǎn)生傳感器信號(hào),服務(wù)器端通過(guò)Flum對(duì)其信號(hào)進(jìn)行收集。由于數(shù)據(jù)的采集融合效果是影響護(hù)理監(jiān)測(cè)數(shù)據(jù)動(dòng)態(tài)可視化性能的第一個(gè)環(huán)節(jié),因此,首先對(duì)數(shù)據(jù)的采集融合性能進(jìn)行評(píng)估。圖3所示為模擬產(chǎn)生的傳感器原始信號(hào),其正弦波形上疊加了動(dòng)態(tài)變化的噪聲信號(hào),如果不對(duì)其采取濾波處理,必然會(huì)造成數(shù)據(jù)采集的失真和偏差。圖4所示為經(jīng)過(guò)采集融合處理后的信號(hào)波形,可以看出,正弦信號(hào)波形的振蕩范圍很小,動(dòng)態(tài)噪聲過(guò)濾比較干凈。這是由于本文方法在采集融合處理時(shí)引入了自適應(yīng)門限設(shè)定,通過(guò)檢測(cè)無(wú)有效信號(hào)時(shí)的波形范圍,確定噪聲信號(hào)的幅值寬度,當(dāng)有效信號(hào)與噪聲信號(hào)混合后,利用門限計(jì)算濾除其中的噪聲信號(hào),由于門限設(shè)定與噪聲均方差有關(guān),無(wú)論有效信號(hào)的幅值如何波動(dòng),都能夠準(zhǔn)確檢測(cè)出噪聲信號(hào),從而準(zhǔn)確還原有效信號(hào)。圖4 采集融合后的信號(hào)波形

【參考文獻(xiàn)】：
期刊論文
[1]融合經(jīng)濟(jì)大數(shù)據(jù)的輸電線路可視化模型研究[J]. 葉鄭賡,肖暉.  電力大數(shù)據(jù). 2019(09)
[2]基于窗口函數(shù)和分布式集群的可視化學(xué)術(shù)搜索系統(tǒng)數(shù)據(jù)查詢優(yōu)化[J]. 羅希意,霍曉陽(yáng),傅洛伊.  上海交通大學(xué)學(xué)報(bào). 2019(08)
[3]基于云計(jì)算和Hadoop的網(wǎng)絡(luò)輿情監(jiān)控系統(tǒng)設(shè)計(jì)[J]. 白茹.  電子設(shè)計(jì)工程. 2019(16)
[4]基于STK/Matlab的雷達(dá)對(duì)抗場(chǎng)景動(dòng)態(tài)可視化仿真研究[J]. 徐鵬,王振華.  空軍預(yù)警學(xué)院學(xué)報(bào). 2019(01)
[5]船舶安全動(dòng)態(tài)實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)結(jié)構(gòu)可視化技術(shù)研究[J]. 代菲菲.  艦船科學(xué)技術(shù). 2018(14)
[6]電力設(shè)備監(jiān)測(cè)數(shù)據(jù)的流式計(jì)算與動(dòng)態(tài)可視化展示[J]. 李莉,朱永利,宋亞奇.  電力建設(shè). 2017(05)
[7]醫(yī)院環(huán)境下穿戴式實(shí)時(shí)跟蹤護(hù)理監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)[J]. 杜娟,董丹,李強(qiáng),呂英華,張金玲.  中國(guó)醫(yī)療管理科學(xué). 2015(05)



本文編號(hào)：2980820