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(lái)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(wú)法對(duì)當(dāng)前社會(huì)中大多數(shù)人進(jìn)行全面、專業(yè)的健康監(jiān)控。針對(duì)上述問(wèn)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(cè)中,通過(guò)無(wú)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(duì)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(duì)象。首先,針對(duì)無(wú)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(shí)別、檢測(cè)算法。利用多模態(tài)數(shù)據(jù)之間的相關(guān)性,對(duì)異常點(diǎn)數(shù)據(jù)進(jìn)行識(shí)別、檢測(cè),與傳統(tǒng)的異常數(shù)據(jù)檢測(cè)算法相比,本文的算法具有較高的識(shí)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(duì)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(duì)標(biāo)準(zhǔn)支持向量機(jī)分類過(guò)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(lái)對(duì)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(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)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(guó)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(cè)系統(tǒng)的發(fā)展現(xiàn)狀
    1.3 論文研究?jī)?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(cè)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(cè)系統(tǒng)研究
        2.2.1 終端節(jié)點(diǎn)
        2.2.2 無(wú)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(cè)研究
    3.1 引言
    3.2 傳統(tǒng)的異常檢測(cè)方法
        3.2.1 局部異常因子檢測(cè)
        3.2.2 孤立森林
    3.3 多屬性相關(guān)的異常檢測(cè)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(cè)
    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(jí)融合
        4.4.1 支持向量機(jī)的多分類問(wèn)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(cè)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(cè)試及結(jié)果分析
        5.5.1 數(shù)據(jù)采集功能測(cè)試
        5.5.2 Web服務(wù)器測(cè)試
        5.5.3 數(shù)據(jù)融合算法測(cè)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(hào)：3813337