论文部分内容阅读
摘要：针对可穿戴智能医疗设备所检测结果缺乏医学准确性和专业性水平较低的问题，探索一种适合可穿戴设备的数据融合方法。首先分析了常见的数据融合技术的特点，构建了一个基于BP神经网络的可穿戴健康监测系统并探讨了该系统的运行机制，最后，设计开发并实现了神经网络在可穿戴设备中的具体应用。仿真实验证明，采用了BP神经网络这种数据融合方法的可穿戴设备，能够为穿戴者提供更精准、快捷和专业的健康服务，促进可穿戴医疗设备的推广和使用。
关键词：可穿戴；BP神经网络；数据融合
Abstract：Aiming at the lack of medical accuracy and low level of professionalism in the results of wearable smart medical devices，a data fusion method suitable for wearable devices is explored. Firstly，the characteristics of common data fusion technologies are analyzed，Secondly，a wearable health monitoring system based on BP neural network is constructed and the operation mechanism of the system is discussed. Finally，the neural network is designed and developed in the wearable device. Simulation experiments show that wearable devices using BP neural network data fusion method can provide wearers with more accurate，fast and professional health services，and promote the promotion and use of wearable medical devices.
Key words：Wearable；BP Neural Network；Data Fusion
1.引言
隨着老龄化社会的到来，中国的医疗系统正面临着巨大的挑战，可穿戴智能医疗设备的出现引起了人们的广泛关注。然而，市场调查发现，以健康为主打概念的智能手环等可穿戴健康产品，在实际功能上仍然存在缺憾，医学准确性和专业性水平较低，缺乏专业的数据分析能力，难以真正为消费者所信任和依靠[1]。Internet +时代的到来及传感器技术的飞速发展，无论是采集环境数据还是人的生理数据都将越来越便捷和精确，多传感器数据融合技术已是现在的研究热点和未来的发展趋势。
本文的目的是探索可穿戴智能医疗设备中的数据融合算法，构建一个具有较高精度和良好性能的可穿戴健康监测系统，以便在监测患者的生命体征参数和行为时提高系统的稳定性，更好更高层次地为患者提供优质服务。为此，本文分析了常见的数据融合技术的特点，探讨了可穿戴健康监测系统的运行机制，最后，整体开发和研究了神经网络在可穿戴设备中的具体应用并给出分析结果。
2 主流数据融合算法
多传感器数据融合是随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术和并行计算的软硬件技术等相关技术的发展而诞生的一门新兴学科[2]。多传感器数据融合技术因科技的迅猛发展与进步很快从最初的军事领域推广应用到各个领域，如工业机器人、智能检测、自动控制、交通管理和医疗诊断等热门领域。
多源信息融合的分类方法有多种形式，较为常见的一种分类是按对数据的处理方式将数据融合分为数据层融合、特征层融合和决策层融合[3]。其中，数据层融合是直接对采集到的、未经预处理的原始数据进行综合与分析的一种融合方案，属于低层次的融合，而特征层融合属于中间层次融合，需要先对来自传感器的原始信息按照一定的规则进行特征提取，再综合分析和处理，值得注意的是，多层人工神经网络在这种层次的融合中有很好的应用。而决策层融合属于高层次融合，通过联合各传感器的初步结论进行决策层融合形成最终的推理和决策结果，具有很强的灵活性，且没有同质传感器的要求，但是需要很多预处理。另一种常见的分类方案是按融合方法来分将数据融合分为卡尔曼滤波法、贝叶斯方法、D-S证据论法、模糊逻辑方法、神经网络方法等。在大量的数据融合算法中，比较主流的四大算法有贝叶斯方法、证据理论推理、模糊理论和神经网络方法，这四种算法的研究约占整个融合算法的85%[4]。因Bayes（贝叶斯）方法需要预先知道先验概率，而先验概率的获得在实际操作中比较困难，，从而在实践中该方法具有较大的局限性。而D-S证据理论法相对于贝叶斯概率理论来说条件的获得更容易，拥有更好的处理不确定信息的能力，在目标识别方面有应用潜力，适用于决策层融合[5]。模糊推理也是一种典型处理不确定信息的方法，非常适用于不确定、不精确、不完备问题的处理[6]。该方法在人工智能技术开发中有重大意义，已经大量成功应用在数据融合领域。人工神经网络（ANN）除了具有大规模并行分布式计算、非线性处理能力外，它还具有很强的容错性、自学习及自适应的能力[7]，它的应用范围非常广泛，大到自动控制、模式识别、医学生物领域，小到智能机器人行业。本文重点探讨神经网络融合方法在可穿戴设备中的应用。数据融合分类及常见算法如下表1所示。
3 神经网络在可穿戴设备中的实践
由上文可知，神经网络具有很强的容错性、自学习及自适应的能力，能保证数据处理的实时性，在数据融合中的应用非常的广泛。因此，为了构建高精度和高性能的可穿戴健康监测系统，以便在监测患者的生命体征参数和行为时提高系统的稳定性，更好更高层次地为患者提供优质服务，本文使用BP神经网络构建一个可穿戴健康状态监测系统，对多传感器测量到的实时体征数据进行信息融合处理，提高系统数据检测的准确性和系统反应的及时性。 3.1 可穿戴健康监测系统构成
本系统由手环、手机APP及数据融合中心组成。通过佩戴手环，可以实时检测佩戴者相应生命体征数据，并将数据在手环上显示出来。当手环采集到的各类体征数据（体表温度、心率、人体姿态等数据）出现异常时，手环通过蓝牙向手机客户端的APP发送指令，APP收到指令后向手机APP中预设的紧急联系人发送短信或打电话，实现智能预警的功能。数据融合中心通常是一台后台服务器，用于存储检测到的数据并在系统的中间层对数据进行数据融合处理。数据融合中心（即神经网络）的输入源是人体的脉率，体温，心率，人体姿态信息，人体动作信息，人体位置信息6个生命体征信息，输出源（即融合结果）是老年人身体状况的好坏，即：良好，一般，危险，并将分析结果通过蓝牙反馈给手环及手机。可穿戴健康监测系统组成框图如图1所示。
3.2 数据融合步骤
基于BP神经网络的数据融合大致分为3步：（1）选择合适的神经网络模型；（2）对网络进行训练；（3）使用训练好的神经网络对所检测数据进行融合处理，得出结论。具体融合过程如下图2所示。
3.3数据融合过程及结果分析
本设计采用MATLAB 软件中的BP神经网络工具箱进行设计。BP神经网络的结构为6个输入节点1个输出节点，隐层节点数目以及网络相应参数均由训练产生。本文选用由RFID智能手环采集的100个测试样本，对可穿戴设备从各种实验环境中采集的70组数据进行人工判断其危险程度，并生成样本作为训练样本数据使用，剩下的 30 个作为测试样本送入BP神经网络中，将BP神经网络融合后的输出结果值y作为报警依据，并设定当|y|<0.8时不报警，当|y|>0.8时系统报警。从图3、图4中可以看到，BP神经网络达到小于设定误差0.01 的要求需要12步的训练，网络预测输出与实际输出相差为2，识别率是93.3%。因此，从实验结果数据看，BP神经网络非常适合智能手环快速响应、准确报警的需求。
4 结语
针对可穿戴智能医疗设备所检测结果缺乏医学准确性和专业性水平较低的问题，本文研究了常见的数据融合方法，并分析了各自的优缺点，探讨了神经网络这种数据融合方法在可穿戴设备中的实现，给出了可穿戴健康监测系统模型及融合步骤。实验数据表明，采用了多传感器数据融合技术的可穿戴设备，可以为穿戴者提供更精确、快捷和专业的健康服务，非常适合紧急情况的处理，可以在一定程度上保障了老人的安全，数据融合技术使得可穿戴医疗设备具有重大意义。
参考文献：
[1]胡军. 互联网+智能手环能否锁住健康？[N]. 中国消费者报，2015-04-22（B03）.
[2]戴晨铖.多传感器信息融合综述[J].科技视界，2012（26）：242-243.
[3]陈科文，张祖平，龙军.多源信息融合关键问题、研究进展与新动向[J].计算机科學，2013，40（08）：6-13.
[4]韩增奇，于俊杰，李宁霞，王朝阳.信息融合技术综述[J].情报杂志，2010，29（S1）：110-114.
[5]马颖，马健.D-S证据理论在目标识别中的应用[J].科技信息，2013（07）：50-51.
[6]肖碧怡. 面向智能家居的不确定性规则推理机制的研究与实现[D].电子科技大学，2016.
[7]焦李成，杨淑媛，刘芳，王士刚，冯志玺.神经网络七十年：回顾与展望[J].计算机学报，2016，39（08）：1697-1716.
作者简介：
陈华珍（1982-），女（汉族），江西樟树人，硕士，讲师，研究方向：网络计算、多传感器数据融合、智能科学。
夏国清（1983-），男（汉族），安徽潜山人，硕士，讲师，研究方向：智能控制，嵌入式系统，图像处理与模式识别。
宗建华（1963-），男，江苏人，副教授，主要研究方向为通信系统设计与模式识别。
关键词：可穿戴；BP神经网络；数据融合
Abstract：Aiming at the lack of medical accuracy and low level of professionalism in the results of wearable smart medical devices，a data fusion method suitable for wearable devices is explored. Firstly，the characteristics of common data fusion technologies are analyzed，Secondly，a wearable health monitoring system based on BP neural network is constructed and the operation mechanism of the system is discussed. Finally，the neural network is designed and developed in the wearable device. Simulation experiments show that wearable devices using BP neural network data fusion method can provide wearers with more accurate，fast and professional health services，and promote the promotion and use of wearable medical devices.
Key words：Wearable；BP Neural Network；Data Fusion
1.引言
隨着老龄化社会的到来，中国的医疗系统正面临着巨大的挑战，可穿戴智能医疗设备的出现引起了人们的广泛关注。然而，市场调查发现，以健康为主打概念的智能手环等可穿戴健康产品，在实际功能上仍然存在缺憾，医学准确性和专业性水平较低，缺乏专业的数据分析能力，难以真正为消费者所信任和依靠[1]。Internet +时代的到来及传感器技术的飞速发展，无论是采集环境数据还是人的生理数据都将越来越便捷和精确，多传感器数据融合技术已是现在的研究热点和未来的发展趋势。
本文的目的是探索可穿戴智能医疗设备中的数据融合算法，构建一个具有较高精度和良好性能的可穿戴健康监测系统，以便在监测患者的生命体征参数和行为时提高系统的稳定性，更好更高层次地为患者提供优质服务。为此，本文分析了常见的数据融合技术的特点，探讨了可穿戴健康监测系统的运行机制，最后，整体开发和研究了神经网络在可穿戴设备中的具体应用并给出分析结果。
2 主流数据融合算法
多传感器数据融合是随着传感器技术、数据处理技术、计算机技术、网络通讯技术、人工智能技术和并行计算的软硬件技术等相关技术的发展而诞生的一门新兴学科[2]。多传感器数据融合技术因科技的迅猛发展与进步很快从最初的军事领域推广应用到各个领域，如工业机器人、智能检测、自动控制、交通管理和医疗诊断等热门领域。
多源信息融合的分类方法有多种形式，较为常见的一种分类是按对数据的处理方式将数据融合分为数据层融合、特征层融合和决策层融合[3]。其中，数据层融合是直接对采集到的、未经预处理的原始数据进行综合与分析的一种融合方案，属于低层次的融合，而特征层融合属于中间层次融合，需要先对来自传感器的原始信息按照一定的规则进行特征提取，再综合分析和处理，值得注意的是，多层人工神经网络在这种层次的融合中有很好的应用。而决策层融合属于高层次融合，通过联合各传感器的初步结论进行决策层融合形成最终的推理和决策结果，具有很强的灵活性，且没有同质传感器的要求，但是需要很多预处理。另一种常见的分类方案是按融合方法来分将数据融合分为卡尔曼滤波法、贝叶斯方法、D-S证据论法、模糊逻辑方法、神经网络方法等。在大量的数据融合算法中，比较主流的四大算法有贝叶斯方法、证据理论推理、模糊理论和神经网络方法，这四种算法的研究约占整个融合算法的85%[4]。因Bayes（贝叶斯）方法需要预先知道先验概率，而先验概率的获得在实际操作中比较困难，，从而在实践中该方法具有较大的局限性。而D-S证据理论法相对于贝叶斯概率理论来说条件的获得更容易，拥有更好的处理不确定信息的能力，在目标识别方面有应用潜力，适用于决策层融合[5]。模糊推理也是一种典型处理不确定信息的方法，非常适用于不确定、不精确、不完备问题的处理[6]。该方法在人工智能技术开发中有重大意义，已经大量成功应用在数据融合领域。人工神经网络（ANN）除了具有大规模并行分布式计算、非线性处理能力外，它还具有很强的容错性、自学习及自适应的能力[7]，它的应用范围非常广泛，大到自动控制、模式识别、医学生物领域，小到智能机器人行业。本文重点探讨神经网络融合方法在可穿戴设备中的应用。数据融合分类及常见算法如下表1所示。
3 神经网络在可穿戴设备中的实践
由上文可知，神经网络具有很强的容错性、自学习及自适应的能力，能保证数据处理的实时性，在数据融合中的应用非常的广泛。因此，为了构建高精度和高性能的可穿戴健康监测系统，以便在监测患者的生命体征参数和行为时提高系统的稳定性，更好更高层次地为患者提供优质服务，本文使用BP神经网络构建一个可穿戴健康状态监测系统，对多传感器测量到的实时体征数据进行信息融合处理，提高系统数据检测的准确性和系统反应的及时性。 3.1 可穿戴健康监测系统构成
本系统由手环、手机APP及数据融合中心组成。通过佩戴手环，可以实时检测佩戴者相应生命体征数据，并将数据在手环上显示出来。当手环采集到的各类体征数据（体表温度、心率、人体姿态等数据）出现异常时，手环通过蓝牙向手机客户端的APP发送指令，APP收到指令后向手机APP中预设的紧急联系人发送短信或打电话，实现智能预警的功能。数据融合中心通常是一台后台服务器，用于存储检测到的数据并在系统的中间层对数据进行数据融合处理。数据融合中心（即神经网络）的输入源是人体的脉率，体温，心率，人体姿态信息，人体动作信息，人体位置信息6个生命体征信息，输出源（即融合结果）是老年人身体状况的好坏，即：良好，一般，危险，并将分析结果通过蓝牙反馈给手环及手机。可穿戴健康监测系统组成框图如图1所示。
3.2 数据融合步骤
基于BP神经网络的数据融合大致分为3步：（1）选择合适的神经网络模型；（2）对网络进行训练；（3）使用训练好的神经网络对所检测数据进行融合处理，得出结论。具体融合过程如下图2所示。
3.3数据融合过程及结果分析
本设计采用MATLAB 软件中的BP神经网络工具箱进行设计。BP神经网络的结构为6个输入节点1个输出节点，隐层节点数目以及网络相应参数均由训练产生。本文选用由RFID智能手环采集的100个测试样本，对可穿戴设备从各种实验环境中采集的70组数据进行人工判断其危险程度，并生成样本作为训练样本数据使用，剩下的 30 个作为测试样本送入BP神经网络中，将BP神经网络融合后的输出结果值y作为报警依据，并设定当|y|<0.8时不报警，当|y|>0.8时系统报警。从图3、图4中可以看到，BP神经网络达到小于设定误差0.01 的要求需要12步的训练，网络预测输出与实际输出相差为2，识别率是93.3%。因此，从实验结果数据看，BP神经网络非常适合智能手环快速响应、准确报警的需求。
4 结语
针对可穿戴智能医疗设备所检测结果缺乏医学准确性和专业性水平较低的问题，本文研究了常见的数据融合方法，并分析了各自的优缺点，探讨了神经网络这种数据融合方法在可穿戴设备中的实现，给出了可穿戴健康监测系统模型及融合步骤。实验数据表明，采用了多传感器数据融合技术的可穿戴设备，可以为穿戴者提供更精确、快捷和专业的健康服务，非常适合紧急情况的处理，可以在一定程度上保障了老人的安全，数据融合技术使得可穿戴医疗设备具有重大意义。
参考文献：
[1]胡军. 互联网+智能手环能否锁住健康？[N]. 中国消费者报，2015-04-22（B03）.
[2]戴晨铖.多传感器信息融合综述[J].科技视界，2012（26）：242-243.
[3]陈科文，张祖平，龙军.多源信息融合关键问题、研究进展与新动向[J].计算机科學，2013，40（08）：6-13.
[4]韩增奇，于俊杰，李宁霞，王朝阳.信息融合技术综述[J].情报杂志，2010，29（S1）：110-114.
[5]马颖，马健.D-S证据理论在目标识别中的应用[J].科技信息，2013（07）：50-51.
[6]肖碧怡. 面向智能家居的不确定性规则推理机制的研究与实现[D].电子科技大学，2016.
[7]焦李成，杨淑媛，刘芳，王士刚，冯志玺.神经网络七十年：回顾与展望[J].计算机学报，2016，39（08）：1697-1716.
作者简介：
陈华珍（1982-），女（汉族），江西樟树人，硕士，讲师，研究方向：网络计算、多传感器数据融合、智能科学。
夏国清（1983-），男（汉族），安徽潜山人，硕士，讲师，研究方向：智能控制，嵌入式系统，图像处理与模式识别。
宗建华（1963-），男，江苏人，副教授，主要研究方向为通信系统设计与模式识别。