数据融合(Data Fusion)是指利用计算机技术将来自多个传感器的观测信息以一定的规则加以自动分析、综合,并据此完成决策、判断和估计任务。目前的远程医疗监护体系,多是将病人的多项生理信息直接输送到监护中心,再设置阈值报警,普遍存在错误报警率高、诊断效率低、缺乏个性化等问题。数据融合技术的引入为解决这些问题打通了渠道。数据融合技术能将采集到的多体征数据进行过滤与分析,并通过一定的算法与规则对病人病情进行智能诊断,这将显著提高远程医疗技术水平,实现高效率、低误判、个性化、智能化的远程医疗诊断。本文提出一种应用于远程医疗的智能数据融合系统一—DFS-MC(Data Fusion System for Medical Care)系统,系统分为建模过程和处理过程两部分,建模过程利用用户的个性化生理数据库进行建模,建立PSVC(Personal Support Vector Classifier)和PSVP(Personal Support Vector Predictor)模型；处理过程主要对采集的体征信号进行多层次的去噪,基于多体征融合预诊引擎和PSVC模型进行实时诊断,基于PSVP模型实现健康预测。两者互相合作、相辅相成,共同促成DFS-MC系统的运行。系统涉及多种关键技术,包括基于SE-D(Singularity Extraction based on Density)的数字信号过滤技术、轻量级PSVC建模技术和基于模糊信息粒化算法(Fuzzy Information Granulation,FIG)的PSVP建模技术。基于SE-D的数字信号过滤技术处理效率高、鲁棒性强,适用于实时性强的数据处理环境；轻量级PSVC建模技术结合DT-Fn (Dimension transformation based on Fn-Score)算法和MS(Margin Sampling)算法,对训练样本进行精确的选取,减少样本标记量,提高样本质量,实现高效的建模和准确的分类；基于FIG的PSVP建模技术对训练样本做模糊信息粒化处理,在实现高效的建模同时,能降低模型对噪声信号的敏感度,扩大可预测范围,为医生的后期介入与决策提供了有力的支持。系统主要实现多层次的数据去噪,PSV、PSVP模型的建立,实时的融合诊断,回归拟合以及健康预测等功能。测试数据来自中兴通讯技术有限公司收集的真实体征采集数据,测试证明通过多层过滤方法,系统对噪声的识别率达到96%以上；两种模型的建立过程耗时时间较短,PSVC模型分类准确率达96%以上,PSVP模型拟合准确率依据用户数据特征有所不同,基本能保持87%以上。系统高效性和准确性得到有效验证。