可穿戴健康监测系统数据融合PDF|Epub|txt|kindle电子书版本下载

可穿戴健康监测系统数据融合PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 可穿戴健康监测系统2

1.1.1 概念定义2

1.1.2 统一命名3

1.1.3 系统架构5

1.1.4 发展现状7

1.1.5 未来展望17

1.2 研究背景21

1.3 研究意义23

1.4 问题分析24

1.4.1 传感器网络的应用特征和科研特点24

1.4.2 传感器网络数据特点30

1.4.3 存在问题31

1.5 面临挑战31

1.6 可穿戴健康监测系统数据融合研究内容34

1.7 与传统无线传感器网络数据融合的区别40

1.8 数据融合未来展望41

1.8.1 发展趋势41

1.8.2 物联网中数据融合42

1.8.3 海计算中数据融合45

1.9 本书内容47

1.10 未来研究49

1.11 本章小结50

参考文献51

第2章 传感器网络数据融合关键技术研究综述58

2.1 传感器网络数据融合方法研究58

2.1.1 数据融合的定义和原理59

2.1.2 数据融合的应用及特点60

2.1.3 数据融合的技术／算法64

2.1.4 数据融合与各协议层的关系69

2.1.5 数据融合在各协议层的实现69

2.1.6 数据融合中信息的类型72

2.2 数据融合模型73

2.3 数据融合的分类78

2.4 数据融合当前研究热点82

2.5 数据融合研究现状及代表性工作83

2.5.1 研究现状83

2.5.2 代表性工作84

2.6 本章小结90

参考文献90

第3章 多偏好驱动的传感器网络数据融合模型98

3.1 MPD-Model产生的背景98

3.1.1 传感器网络对数据融合模型的需求98

3.1.2 传感器网络应用对智能性的需求100

3.1.3 历史数据在融合中的作用102

3.1.4 传感器网络物理模型的驱动103

3.2 相关研究105

3.3 多偏好驱动的传感器网络数据融合模型107

3.3.1 传感器网络系统描述108

3.3.2 融合模型设计依据109

3.3.3 融合模型提出及描述110

3.3.4 融合模型实例说明114

3.4 偏好信息量化方法115

3.5 模型评估方法及指标体系117

3.5.1 非参数检验117

3.5.2 基于算法分析与机器学习的评价指标119

3.5.3 基于JDL模型的评价指标120

3.6 模型验证及评估121

3.6.1 实验设置121

3.6.2 偏好信息影响权重有效性验证122

3.6.3 与基线方法对比评估124

3.7 MPD-Model的优点及特色125

3.7.1 MPD-Model的优点125

3.7.2 MPD-Model的特色127

3.8 本章小结127

参考文献128

第4章 面向数据级融合的轻量级自适应特征抽取技术132

4.1 特征抽取面临的问题及挑战132

4.1.1 感知参数的多样性及模式复杂性132

4.1.2 传感器网络低信噪比现象及原因134

4.2 相关研究134

4.3 数据关联135

4.4 FEA算法136

4.4.1 算法自适应设计的依据137

4.4.2 算法思想138

4.4.3 信标特征点发现139

4.4.4 候选特征点标识139

4.4.5 正式特征点选择140

4.5 数据属性决策141

4.6 FEA算法复杂度分析143

4.7 FEA中自适应参数的有效性验证144

4.7.1 自动计算自适应参数有效性验证145

4.7.2 先验知识自适应参数有效性验证146

4.8 FEA算法的性能评估146

4.8.1 FEA算法整体有效性验证146

4.8.2 FEA算法性能评估148

4.9 本章小结149

参考文献150

第5章 基于加权平均法的分布式多偏好特征级融合算法152

5.1 相关研究152

5.2 特征关联153

5.3 多源参数融合影响权重的偏好分析154

5.4 MFA算法155

5.5 基于SVM的特征决策算法156

5.6 TFD-Pattern：一种新的时间序列模式设计及说明159

5.7 实验评估161

5.7.1 MFA算法融合有效性评估161

5.7.2 MFA算法降耗比评估161

5.7.3 MFA性能评估162

5.8 本章小结163

参考文献163

第6章 面向决策级融合的基于因子图模型的健康状态预测方法164

6.1 决策级融合问题产生背景164

6.1.1 研究动机165

6.1.2 面临挑战166

6.1.3 方法贡献167

6.2 算法设计依据及说明167

6.3 相关研究168

6.4 基于TS-FGM的决策关联169

6.4.1 问题定义169

6.4.2 TS-FGM170

6.5 面向决策级融合的TS-FGM学习算法171

6.6 人体健康状态预测／检测173

6.7 实验评估174

6.7.1 实验设置174

6.7.2 预测性能175

6.7.3 与基线算法对比177

6.8 本章小结177

参考文献178

第7章 大规模医疗社会网络180

7.1 引言180

7.2 产生背景182

7.3 研究意义183

7.4 概念说明184

7.4.1 概念定义184

7.4.2 实例说明186

7.4.3 PDhms：一个真实的医疗社会网络节点187

7.4.4 EasiCPR：数据融合关键技术应用验证系统187

7.5 国内外研究现状及发展动态195

7.5.1 国内外研究现状195

7.5.2 国内外发展动态196

7.6 研究内容及关键科学问题198

7.6.1 研究内容198

7.6.2 关键科学问题201

7.6.3 创新点202

7.7 技术方案及可行性分析202

7.7.1 技术方案202

7.7.2 可行性分析210

7.8 已有研究基础212

7.9 研究工作条件214

7.10 本章小结214

参考文献214

第8章 医疗社会网络医生推荐模型的研究218

8.1 引言218

8.2 相关研究219

8.3 模型架构221

8.4 基于概率因子图模型医生-病人关系挖掘221

8.5 医生-病人社会关系优化223

8.6 用于计算医生权威度的特征抽取225

8.7 基于Ranking SVM的医生权威度排序226

8.8 基于偏好的个性化医生推荐模型227

8.9 基于随机游走模型的医生推荐方法228

8.9.1 转移概率矩阵定义228

8.9.2 基于随机游走模型的节点排序推荐算法229

8.10 实验及评估230

8.10.1 医生-病人关系挖掘评估232

8.10.2 基于Ranking SVM算法的有效性233

8.10.3 医生权威度排名评估234

8.10.4 IDR-Model推荐性能评估234

8.10.5 RWR-Model推荐性能评估236

8.11 本章小结237

参考文献237