超级老龄化社会正在到来,与老龄化问题相伴的是针对老龄人口的医疗护理问题急需解决。此类病人生理功能衰退,自我控制能力差,极易出现高血压、压疮等情况,极大地影响病人的身心健康,也造成了额外的医疗支出。因此,在医疗资源有限的前提下,急需一套对卧床糖尿病患者的全方位监测系统,对病人的生理状态进行高效的实时监测。本文面向卧床糖尿病患者的健康监测,针对其中的压力信号数据及血糖数据(含饮食、胰岛素等数据)获取分析、病人动作识别和血糖预测等重要监测问题进行研究,从实际情况出发,分别建立了具有实用价值且高效的监测模型。具体内容概括如下:1.针对健康监测相关的时序信号数据问题,首先利用智能床设备以及仿真器设计合理的实验以获取相应的压力信号数据和血糖数据,随后分别针对数据获取环境、本身特征等特点进行了相应的预处理,最终考虑实际应用情况设置了不同场景下的数据集,并进行了数据的初步分析,为后续算法提供支撑。2.针对在基于压力信号数据的动作识别中数据不充足情况下有新数据及新类别的问题,提出了结合稀疏自编码与随机向量链接神经网络的增量学习模型。基于该网络的数据和类别增量模型能够在保证精度的情况下进行快速更新,充分体现了其实际应用价值。针对数据充足的情况,提出了基于条件对抗的域适应网络,通过特征提取层与域分类器之间的条件对抗,减轻了不同症状病人间造成的数据域不同的问题,保证了模型在实际应用时的泛化能力。3.针对血糖预测,主要考虑数据充足与不充足的问题。针对数据充足的情况,首先利用带有压缩与激活的卷积充分挖掘了血糖数据的周期特征及趋势变化特征,随后结合实际的血糖输入通过带有注意力机制的长短期记忆网络进一步挖掘了动态特征,实现了模型的精准预测。而考虑数据不充足下仅有新对象少量数据与数据量逐渐增加的问题,本文提出了基于带外源输入自回归模型的迁移增量模型。通过迁移模型实现了基模型在新对象上的快速迁移更新,并通过防止负迁移使模型具备成为通用模型的能力;随后通过增量模型实现了模型在自身对象上的迭代增量更新,能够在保证精度的情况下快速更新。