發(fā)布時(shí)間：2023-05-10 19:11

　　隨著科技的發(fā)展,人們的生活水平在不斷提高,越來越多的人存在著亞健康甚至是不健康狀態(tài)。同時(shí),醫(yī)療行業(yè)需求量也在不斷增加。由于目前的醫(yī)療資源有限,無法對當(dāng)前社會中大多數(shù)人進(jìn)行全面、專業(yè)的健康監(jiān)控。針對上述問題,本文提出了將多傳感器數(shù)據(jù)融合算法應(yīng)用到人體健康監(jiān)測中,通過無線傳感網(wǎng)絡(luò)采集人體生理參數(shù),然后利用數(shù)據(jù)融合算法對生理參數(shù)進(jìn)行融合分析,最后得到我們?nèi)梭w的健康狀態(tài)。本文以人體生理參數(shù)作為研究對象。首先,針對無線傳感網(wǎng)絡(luò)中采集的原始數(shù)據(jù)存在離群點(diǎn)的情況,提出了基于多體征數(shù)據(jù)相關(guān)的離群點(diǎn)識別、檢測算法。利用多模態(tài)數(shù)據(jù)之間的相關(guān)性,對異常點(diǎn)數(shù)據(jù)進(jìn)行識別、檢測,與傳統(tǒng)的異常數(shù)據(jù)檢測算法相比,本文的算法具有較高的識別率以及較低的誤報(bào)率;其次,以D-S證據(jù)理論作為數(shù)據(jù)融合的基礎(chǔ)算法,針對D-S模型中存在的缺點(diǎn),提出利用支持向量機(jī)與D-S證據(jù)理論結(jié)合的方法進(jìn)行數(shù)據(jù)融合和決策。針對標(biāo)準(zhǔn)支持向量機(jī)分類過程中核函數(shù)以及懲罰因子難以確定最優(yōu)值的缺點(diǎn),提出了采用動(dòng)態(tài)混沌螢火蟲算法來對核函數(shù)以及懲罰因子進(jìn)行優(yōu)化。實(shí)驗(yàn)仿真證明,該方法相比于標(biāo)準(zhǔn)SVM算法提升了分類效果。將優(yōu)化后的支持向量機(jī)與D-S證據(jù)理論結(jié)合,形成...

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 多傳感器數(shù)據(jù)融合的發(fā)展現(xiàn)狀
        1.2.2 人體健康監(jiān)測系統(tǒng)的發(fā)展現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
2 數(shù)據(jù)融合與人體健康監(jiān)測系統(tǒng)相關(guān)理論
    2.1 數(shù)據(jù)融合關(guān)鍵技術(shù)
        2.1.1 數(shù)據(jù)融合的定義
        2.1.2 數(shù)據(jù)融合的通用結(jié)構(gòu)
        2.1.3 多傳感數(shù)據(jù)融合的分類
        2.1.4 數(shù)據(jù)融合的方法
    2.2 人體健康監(jiān)測系統(tǒng)研究
        2.2.1 終端節(jié)點(diǎn)
        2.2.2 無線傳輸
        2.2.3 數(shù)據(jù)處理
    2.3 本章小結(jié)
3 多體征參數(shù)的異常檢測研究
    3.1 引言
    3.2 傳統(tǒng)的異常檢測方法
        3.2.1 局部異常因子檢測
        3.2.2 孤立森林
    3.3 多屬性相關(guān)的異常檢測算法研究
        3.3.1 滑動(dòng)窗口模型及數(shù)據(jù)相關(guān)性
        3.3.2 基于多相關(guān)性的數(shù)據(jù)異常檢測
    3.4 實(shí)驗(yàn)結(jié)果分析與比較
    3.5 本章小結(jié)
4 多體征參數(shù)數(shù)據(jù)融合算法的研究
    4.1 引言
    4.2 現(xiàn)有算法及其不足之處
        4.2.1 D-S證據(jù)理論的基本概念與定義
        4.2.2 D-S證據(jù)理論組成規(guī)則
        4.2.3 D-S證據(jù)理論算法的不足之處
    4.3 改進(jìn)的支持向量機(jī)算法研究
        4.3.1 機(jī)器學(xué)習(xí)算法的選擇
        4.3.2 SVM的基本概念與定義
        4.3.3 SVM的懲罰因子以及核函數(shù)
        4.3.4 改進(jìn)的支持向量機(jī)算法研究
        4.3.5 實(shí)驗(yàn)結(jié)果分析與比較
    4.4 基于改進(jìn)SVM和 D-S證據(jù)理論結(jié)合的決策級融合
        4.4.1 支持向量機(jī)的多分類問題
        4.4.2 BPA函數(shù)的構(gòu)造
        4.4.3 實(shí)驗(yàn)結(jié)果分析與比較
    4.5 本章小結(jié)
5 系統(tǒng)設(shè)計(jì)與測試
    5.1 引言
    5.2 系統(tǒng)總體設(shè)計(jì)方案
        5.2.1 系統(tǒng)設(shè)計(jì)原則分析
        5.2.2 系統(tǒng)總體設(shè)計(jì)架構(gòu)
    5.3 系統(tǒng)硬件設(shè)計(jì)
        5.3.1 終端節(jié)點(diǎn)設(shè)計(jì)
        5.3.2 匯聚節(jié)點(diǎn)設(shè)計(jì)
    5.4 系統(tǒng)軟件設(shè)計(jì)
        5.4.1 終端節(jié)點(diǎn)軟件設(shè)計(jì)
        5.4.2 匯聚節(jié)點(diǎn)軟件設(shè)計(jì)
        5.4.3 服務(wù)器軟件設(shè)計(jì)
    5.5 系統(tǒng)測試及結(jié)果分析
        5.5.1 數(shù)據(jù)采集功能測試
        5.5.2 Web服務(wù)器測試
        5.5.3 數(shù)據(jù)融合算法測試及結(jié)果分析
    5.6 本章小結(jié)
6 結(jié)論
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果



本文編號：3813337