基于粗糙集和SVM的體域網(wǎng)健康評(píng)估方法研究.pdf

1、隨著無線傳感器的廣泛應(yīng)用，無線人體區(qū)域網(wǎng)絡(luò)（簡稱體域網(wǎng)）將極大地推動(dòng)醫(yī)院智能監(jiān)護(hù)體系的發(fā)展。為了讓高齡、獨(dú)居老人的健康狀態(tài)得到很好地監(jiān)測和保護(hù)，體域網(wǎng)健康估計(jì)方法的研究將具有重大的現(xiàn)實(shí)意義。
　　體域網(wǎng)的健康評(píng)估就是專門針對人體的生理指標(biāo)數(shù)據(jù)進(jìn)行評(píng)估的技術(shù)。但是采集的患者的生理參數(shù)數(shù)據(jù)大部分時(shí)間段內(nèi)是穩(wěn)定不變，因此只需要分析異常時(shí)間階段的生理指標(biāo)數(shù)據(jù)來進(jìn)行健康評(píng)估。目前，一系列傳統(tǒng)的算法是通過異常檢測的方式來獲取訓(xùn)練的數(shù)據(jù)集的方法

2、。它們利用時(shí)間序列的趨勢分析、平穩(wěn)的時(shí)間序列的數(shù)學(xué)模型等方法預(yù)測下一刻會(huì)出現(xiàn)異常的時(shí)刻，并通過計(jì)算預(yù)測值與實(shí)際值殘差方差的方式設(shè)置異常概率的閾值和發(fā)生連續(xù)異常的時(shí)間閾值來檢測異常。而且傳統(tǒng)的用于健康評(píng)估BP神經(jīng)網(wǎng)絡(luò)模型雖具有較好的效果，預(yù)測準(zhǔn)確度也較高，但參數(shù)往往依賴經(jīng)驗(yàn)值，網(wǎng)絡(luò)中存在較大的冗余性，需要較多的迭代次數(shù)，容易造成過度學(xué)習(xí)等缺點(diǎn)。為了更好的解決在健康評(píng)估所面臨的以上問題，本文在改進(jìn)健康評(píng)估算法方面做了一些研究工作，具體的內(nèi)容

3、如下所述:
　　(1)目前，常見的健康評(píng)估算法沒有考慮到各個(gè)樣本中的穩(wěn)定的生理指標(biāo)值可被其余同類樣本一一對應(yīng)表征，我們可以把異常時(shí)間段的多個(gè)正常數(shù)據(jù)用一個(gè)同類數(shù)據(jù)來表征，這樣可以大大降低數(shù)據(jù)的冗余。同時(shí)我們考慮到數(shù)據(jù)在內(nèi)存中二進(jìn)制存儲(chǔ)的特性，采用優(yōu)化鏈表結(jié)構(gòu)的屬性約簡的粗糙集算法來實(shí)現(xiàn)信息存儲(chǔ)的內(nèi)存優(yōu)化。
　　(2)在用于健康評(píng)估的機(jī)器學(xué)習(xí)算法中，針對BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)模型隱含層的層數(shù)和個(gè)數(shù)是經(jīng)

4、驗(yàn)值，需要通過反復(fù)實(shí)驗(yàn)確定，網(wǎng)絡(luò)的學(xué)習(xí)和記憶能力不穩(wěn)定性等缺點(diǎn)，本文將SVM（Support Vector Machine）的學(xué)習(xí)模型引入到評(píng)估算法中。SVM健康評(píng)估模型不僅能保證分類的準(zhǔn)確性，而且能降低學(xué)習(xí)的VC維(Vapnik-Chervonenkis Dimension)度，得到全局的最優(yōu)解，如此預(yù)測樣本數(shù)據(jù)的泛化能力優(yōu)于BP神經(jīng)網(wǎng)絡(luò)方法。同時(shí)線性組合多項(xiàng)式核函數(shù)、徑向基核函數(shù)來改進(jìn)SVM的核函數(shù)，這樣就可以大大簡化機(jī)器學(xué)習(xí)模型的