基于粗糙集和SVM的體域網健康評估方法研究.pdf

1、隨著無線傳感器的廣泛應用，無線人體區(qū)域網絡（簡稱體域網）將極大地推動醫(yī)院智能監(jiān)護體系的發(fā)展。為了讓高齡、獨居老人的健康狀態(tài)得到很好地監(jiān)測和保護，體域網健康估計方法的研究將具有重大的現實意義。
　　體域網的健康評估就是專門針對人體的生理指標數據進行評估的技術。但是采集的患者的生理參數數據大部分時間段內是穩(wěn)定不變，因此只需要分析異常時間階段的生理指標數據來進行健康評估。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練的數據集的方法

2、。它們利用時間序列的趨勢分析、平穩(wěn)的時間序列的數學模型等方法預測下一刻會出現異常的時刻，并通過計算預測值與實際值殘差方差的方式設置異常概率的閾值和發(fā)生連續(xù)異常的時間閾值來檢測異常。而且傳統(tǒng)的用于健康評估BP神經網絡模型雖具有較好的效果，預測準確度也較高，但參數往往依賴經驗值，網絡中存在較大的冗余性，需要較多的迭代次數，容易造成過度學習等缺點。為了更好的解決在健康評估所面臨的以上問題，本文在改進健康評估算法方面做了一些研究工作，具體的內容

3、如下所述:
　　(1)目前，常見的健康評估算法沒有考慮到各個樣本中的穩(wěn)定的生理指標值可被其余同類樣本一一對應表征，我們可以把異常時間段的多個正常數據用一個同類數據來表征，這樣可以大大降低數據的冗余。同時我們考慮到數據在內存中二進制存儲的特性，采用優(yōu)化鏈表結構的屬性約簡的粗糙集算法來實現信息存儲的內存優(yōu)化。
　　(2)在用于健康評估的機器學習算法中，針對BP(Back Propagation)神經網絡模型隱含層的層數和個數是經

4、驗值，需要通過反復實驗確定，網絡的學習和記憶能力不穩(wěn)定性等缺點，本文將SVM（Support Vector Machine）的學習模型引入到評估算法中。SVM健康評估模型不僅能保證分類的準確性，而且能降低學習的VC維(Vapnik-Chervonenkis Dimension)度，得到全局的最優(yōu)解，如此預測樣本數據的泛化能力優(yōu)于BP神經網絡方法。同時線性組合多項式核函數、徑向基核函數來改進SVM的核函數，這樣就可以大大簡化機器學習模型的