基于物联网和svm分析的人体健康状态检测系统的制作方法
基于物联网和svm分析的人体健康状态检测系统的制作方法
【技术领域】
[0001] 本发明涉及信息检测领域，具体是一种可实时监测人体特征信息的移动监测系 统，结合了物联网技术和SVM分类，可以实时地对人体健康状态进行预警。
【背景技术】
[0002] 体检的时候，身体各项指标正常，可是，后来却发现了癌症。难道人体从健康到癌 变就没有任何的中间过程，我们是一下子就出现肿瘤的？答案当然是否定的。如果我们能 够把从健康一直到肿瘤，这整个的发展过程，详细的表述出来，那么我们完全可以避免最终 不治之症的悲剧。如果我们很清楚的知道自己处于疾病发展过程中的哪个位置，这也有助 于我们更加正确的对待身体。疾病不是一天形成的，疾病的发展也是有迹可循的，基于此， 本发明通过采集人体的生命特征信息来判断其是否处于健康状态，对人体的健康状态进行 实时监测。
[0003] 物联网（InternetofThings,I0T)是一个基于互联网、传统电信网等信息承载 体，让所有能够被独立寻址的普通物理对象实现互联互通的网络。物联网一般为无线网，由 于每个人周围的设备可以达到一千至五千个，所以物联网可能要包含500万亿至一千万亿 个物体，在物联网上，每个人都可以应用电子标签将真实的物体上网联结，在物联网上都可 以查找出它们的具体位置，根据传感器获取的参数可以了解每个物体的状态。
[0004] 支持向量机SVM(SupportVectorMachine)在解决小样本、非线性及高维模式识 别中表现出许多特有的优势，并能够推广应用到函数拟合等其它机器学习问题中.它是建 立在统计学习理论的VC维理论和结构分险最小原理基础上的，主要基于以下三种考虑（1) 基于结构风险最小化，通过最小化函数集的VC维来控制学习机器的结构风险，使其具有较 强的推广能力.（2)通过最大化分类间隔（寻找最优分类超平面）来实现对VC维的控制， 这是由统计学习理论的相关定理保证的.（3)而SVM在技术上采用核化技术，根据泛函中的 Mercer定理，寻找一个函数（称核函数）将样本空间中内积对应于变换空间中的内积，即避 免求非线形映射而求内积
[0005]目前已有的技术就是为人建立一个病历档案，或者是定期进行体检，但这并不能 实时地对人体的健康情况进行检测和预警。
[0006]目前对人体特征检测的主要是采用图像处理的方法，图像处理虽然能够准确地提 供较为详细的信息，但图像的传输需要耗费很大的带宽资源，分析图像特点信息更是需要 大量的计算资源，而且图像分析只能应用与固定的场所，需要安装大量的摄像头来采集图 片信息。
【发明内容】
[0007] 本发明的目的在于提供一种基于物联网和SVM分类的可实时监控人体健康状态 的系统。该系统通过使用传感器等相关技术采集人体的生命特征信息，运用一种SVM分类 算法，来对人体的健康状态进行分类，从而实现有效的预警和监控。
[0008] 实现本发明目的的技术方案为：一种基于物联网和SVM分析的人体健康状态检测 系统，包括人体特征采集端10和数据中心端11 ;
[0009] 人体特征采集端10包括传感器装置101、网络传输单元102和显示端口 110,传感 器装置101获取人体的特征参数，然后通过网络传输单元102实时地把数据流传输到数据 中心端11，显示端口 110用于接收数据中心端11反馈回来的结果进行输出；
[0010] 数据中心端11包括预处理单元104、数据存储单元105、特征数据库106、已知特征 库107、特征提取单元103、SVM分类器108和输出端口 109;
[0011] 数据中心端11接收到实时特征数据流后，通过预处理单元104对数据流进行比特 压缩处理，然后把处理后的数据分别传送给数据存储单元105和SVM分类器108;
[0012] 数据存储单元105负责对实时数据流进行缓冲，把经过预处理的数据存储到特征 数据库106中，同时处理特征提取单元103对特征数据库106的信息访问要求；
[0013] 特征提取单元103通过从特征数据库106中提取数据，采用自学习的方法提炼出 判定规则，然后把规则存放到已知规则库107中；
[0014]SVM分类器108通过BRSVM算法基于已知规则库107对预处理单元104传输过来 的数据流进行判定，得出结果，送到输出端口 109,并把结果反馈到显示端口 110,对用户进 行提醒。
[0015] 人体特征采集端10中的传感器装置101为穿戴式传感器装置，用于检测人体的体 温、动脉收缩压和心跳指数人体特征参数。
[0016]SVM分类器108采用的BRSVM算法具体如下：
[0017] (1)对所采集的实时数据流进行标准化处理；设
[0018]I(v) =int(ZXv)
[0019] 其中，V是样本值，Z是放大标准化后的特征值的比例；I(V)将用于⑵中的比特 压缩步骤；
[0020] (2)在比特压缩过程中，假设b是将压缩的比特数，则压缩过程表示为：
[0021]I(V)，一I(V)>>b
[0022] 其中，k>>b表示将整数k右移b位，给定一个m维特征的样本
[0023]Xi=(xn, xi2, xi3,......Xim),经过比特压缩后可表示为
[0024] I(Xi)'=(I(Xil)'，I(Xi2)'，......，I(Xim)'）；
[0025] (3)将样本按照经过比特压缩后I(Xi)'的取值进行聚合，具有相同I(Xi)'的样 本落入同一个聚合集A中，A中的样本可能分属不同的类别；为此，对聚合集A中属于各个 不同类别的样本分别统计数量W并计算均值mean，在计算均值时使用样本特征的原始值 (xn,xi2,......，Xj;随后，属于同一类别且具有相同I(Xi)'取值的样本特征值由均值 mean替代，W则代表其权重；
[0026] (4)经过比特压缩后，原始样本数据（Xi，yi)聚合为具有权重值W的新样本数据 (Xi，Yi)'，然后采用加权支持向量机分类器进行分类判定，权重SVM算法将转化为一般性 的二次优化问题进行解决。
[0027] 本发明与现有技术相比，其显著优点：（1)本发明通过穿戴式传感器设备来实时 采集人体特征参数，采用实时分析数据流的方法来对人体的健康情况进行判别，这样不但 加快信息传递上的速度，极大地提高了效率。（2)本发明能应用于移动场景之中，大大地拓 展了使用范围。（3)本发明结合大数据分析和SVM分类的方法，保证判断正确率。
【附图说明】
[0028]图1是人体健康状态检测系统控制元件的模块框图。
[0029] 图2是基于样本比特压缩的BRSVM算法。
【具体实施方式】
[0030] 本发明具体实现的非限制性说明提供了一种能监测人体健康情况的实时系统和 方法，自动采集人体的生命特征信息，自动分析，并反馈给相关用户。作为一个智能化的系 统，它对源源不断的数据流进行训练分析，不断优化已有的特征库，提高了识别的精度和准 确率，从而促进生命健康产业的发展。本发明在现实应用中需要将无线网络和物联网相结 合，能够自动实现对人体健康状况24小时无缝隙的监测，极大程度上从源头上预防了大病 的发生，同时也能及时地发现疾病，也将极大了方便人们的生活。因此该系统具有非常良好 的应用前景。
[0031] 主要包括以下步骤：
[0032] 1)根据采集模块获取脉搏、体温等生命特征参数；
[0033] 2)参数将通过网络模块传送给远程工作站，作为后台系统输入；
[0034] 3)预处理进行比特压缩，然后进行聚合；
[0035] 4)基于已知特征库，SVM分类器对输入数据进行判断；
[0036] 5)相关数据将被储存在特征数据库中，用于后期进行数据分析，动态更新特征库。
[0037] 6)输出模块、反馈给相关用户。
[0038] 下面结合附图对本发明做进一步说明。
[0039] 人体的状况具体分为健康、非健康2个状态，主要通过体温、心跳、脉搏等参数进 行判定。
[0040] 参照图1，人体健康状态检测系统一般包括人体特征采集端10和数据中心端11两 部分。人体特征信息采集段主要通过穿戴式传感器装备来采集相关特征信息，例如：体温、 脉搏、心跳等。生命体征采集装置可以是其他厂商提供的标准监控设备。数据中心端11主 要完成对人体采集端10传送过来的数据的存储、分析和反馈。下面具体介绍其组成。
[0041]参照图1，显示了人体健康状态检测系统控制元件的模块框图，一种基于物联网和 SVM分析的人体健康状态检测系统，特征在于：包括人体特征采集端10、数据中心端11。
[0042] 人体特征采集端10通过穿戴式传感器装置101获取人体的特征参数，然后通过 网络传输单元102实时地把数据流传输到数据中心端11。数据中心端11包括预处理单元 104、数据存储单元105、特征数据库106、已知特征库107、特征提取单元103、SVM分类器 108、输出端口 109。数据中心端11接收到实时特征数据流后，通过预处理单元104对数据 流进行比特压缩处理，然后把数据分别传送给数据存储单元105和SVM分类器108。数据存 储单元105负责对实时数据流进行缓冲，把经过预处理的数据存储到特征数据库106中，同 时处理其他部件对数据库的信息访问要求。特征提取 单元103通过从特征数据库106中提 取数据进行分析，结合已有的背景知识提炼出判定规则，然后把规则存放到已知规则库107 中。输出端口 109是显示相关结果。SVM分类器108通过BRSVM算法基于已知规则库107 对预处理单元104传输过来的数据流进行判定，得出结果，送到输出端口 109和用户端的显 示端口 110,对用户进行相关提醒。
[0043] SVM分析器使用的算法：基于样本比特压缩的BRSVM算法
[0044] SVM方法可用于训练高精准的分类器，但应用于大样本数据集时具有训练与预测 速度慢的缺陷。现有较多针对提高SVM算法训练与预测速度的研究，本文提出一种基于样 本比特压缩的BRSVM方法，在保留原始SVM较好分类稳定性与泛化性能的同时，可大幅提高 SVM的训练与预测速度，并保证足够的分类精确率。此算法首先对样本集进行比特压缩处 理，然后利用加权支持向量机训练分类器。算法原理如下：
[0045] 1?原SVM介绍
[0046] 以基本的二元分类问题为例。SVM方法处理二元分类问题的主要思想是：寻找最 优分类超平面决策边界，使得训练样本中的两类样本能被准确分类，且此决策边界与各个 分类保持最大的边距；对于线性不可分问题，通过非线性化映射（核函数）将低维空间输入 向量映射到一个高维特征空间，从而将不可分问题在高维中转换为可分问题，然后在新空 间中寻求最优决策边界。具体描述如下：
[0047] 设训练的样本输入为Xi(i= 1，2. ...n)，对应的期望输出为yiG(-1，+1)，其中， +1与-1代表两类类别标志。高维空间超平面可表示为w?x-b= 0,其中，W是法向矢量， 与超平面正交，b/| |W|I表示超平面的偏移量。那么，在一般线性不可分条件下，引入松弛 变量I后，SVM算法即可表示成解决一个具有约束条件的二次优化问题，如下：
[0050]I1^Oi= 1,2. . . .n (1)
[0051] 其中，误差权重C为某个指定的常数，实际上起控制对错分样本惩罚程度的作用， 实现在错分样本与算法复杂度之间的折中。在式（1)中引入Iagrange乘子后，可得到对偶 优化问题，如下：
[0054] O1^Oi= 1,2. ...n(2)
[0055] 其中，Cii是非负拉格朗日乘子。可以证明，在此寻优问题的解中有一部分^不 为〇,它们所对应的训练样本落在两个支持超平面上，这些训练样本即称为支持向量。SVM 通过一个适当的非线性函数0(x)将数据由原始特征空间映射到一个新的高维特征空间，定 义= 01?)??)为核函数。解决此二次优化问题即可得到高维空间中用于分割样 本的最优超平面。对样本X的分类函数如下：
[0057] 其中，符号的正负说明样本的类别。
[0058] 2?比特压缩
[0059]BRSVM算法首先对样本集进行比特压缩处理，然后利用加权支持向量机训练分类 器。算法原理如下：将比特压缩用于SVM方法包含标准化、比特压缩与聚合三个步骤。
[0060] 标准化步骤用于确保每个样本特征具有均等的分辨率，所有样本特征数据都首先 经过标准化处理，处理后特征值落入区间[0，1]。随后，为了避免在其后比特压缩过程中过 多样本信息的丢失，使用一个整数来代表每个标准化后的特征值，计算方法如下：
[0061] I(v)=int(ZXv) (4)
[0062] 其中：Z是放大标准化后的特征值的比例；I(V)将用于后续的比特压缩步骤。
[0063] 在比特压缩过程中，假设b是将压缩的比特数，则压缩过程可表示为：
[0064] I(V)' 一I(V)> >b(5)
[0065] 其中，k>>b指将整数k右移b位，给定一个m维特征的样本
[0066]Xi=(xn, xi2, xi3,......xim),经过比特压缩后可表示为
[0067] I(Xi)' =(I(Xil)'，I(Xi2)'，......，I(Xim)'）。
[0068] 聚合步骤将样本按经过比特压缩后I(Xi)'的取值进行聚合，具有相同I(Xi)'的 样本落入同一个聚合集A中，A中的样本可能分属不同的类别。为此，对聚合集A中属于各 个不同类别的样本分别统计数量W并计算均值mean，在计算均值时使用样本特征的原始值 (xn,xi2,......，XiJ。随后，属于同一类别且具有相同I(Xi)'取值的样本特征值由均值 mean替代，W则代表其权重。尽管比特压缩处理的速度很快，但常规聚合处理方法的速率却 较低，算法复杂度通常是0 (n2)，其中，n为样本数量。本发明拟采用哈希表加快样本集聚合 速度，并选择全域散列函数，算法复杂度可降到〇(2n)，这将在较大程度上加快样本聚合压 缩的速度。
[0069] 3?权重SVM
[0070] 经过比特压缩后，原始样本数据（Xi，yi)聚合为具有权重值W的新样本数据（Xi， YiV。假设某个样本&的权重为Pi，则基于式（1)，权重SVM算法可表示为如下带约束条 件的二次优化问题：
[0073] I1^Oi= 1，2, ? ??，n (6)
[0074] 其中，约束条件与式（1)中相同。式（6)即可表示为如下对偶形式：
[0077] Qi^^1Ci=l，2，...，n (7)
【主权项】
1. 一种基于物联网和SVM分析的人体健康状态检测系统，其特征在于：包括人体特征 采集端[10]和数据中心端[11]; 人体特征采集端[10]包括传感器装置[101]、网络传输单元[102]和显示端口 [110]， 传感器装置[101]获取人体的特征参数，然后通过网络传输单元[102]实时地把数据流传 输到数据中心端[11]，显示端口 [110]用于接收数据中心端[11]反馈回来的结果进行输 出； 数据中心端[11]包括预处理单元[104]、数据存储单元[105]、特征数据库[106]、已知 特征库[107]、特征提取单元[103]、SVM分类器[108]和输出端口 [109]; 数据中心端[11]接收到实时特征数据流后，通过预处理单元[104]对数据流进行比特 压缩处理，然后把处理后的数据分别传送给数据存储单元[105]和SVM分类器[108]; 数据存储单元[105]负责对实时数据流进行缓冲，把经过预处理的数据存储到特征数 据库[106]中，同时处理特征提取单元[103]对特征数据库[106]的信息访问要求； 特征提取单元[103]通过从特征数据库[106]中提取数据，采用自学习的方法提炼出 判定规则，然后把规则存放到已知规则库[107]中； SVM分类器[108]通过BRSVM算法基于已知规则库[107]对预处理单元[104]传输过 来的数据流进行判定，得出结果，送到输出端口 [109]，并把结果反馈到显示端口 [110]，对 用户进行提醒。2. 根据权利要求1所述的基于物联网和SVM分析的人体健康状态检测系统，其特征在 于：人体特征采集端[10]中的传感器装置[101]为穿戴式传感器装置，用于检测人体的体 温、动脉收缩压和心跳指数人体特征参数。3. 根据权利要求1所述的基于物联网和SVM分析的人体健康状态检测系统，其特征在 于：SVM分类器108采用的BRSVM算法具体如下： (1) 对所采集的实时数据流进行标准化处理；设 I(v) =int(ZXv) 其中，V是样本值，Z是放大标准化后的特征值的比例；I(V)将用于（2)中的比特压缩 步骤； (2) 在比特压缩过程中，假设b是将压缩的比特数，则压缩过程表示为： I(V)，一I(V) > >b 其中，k>>b表示将整数k右移b位，给定一个m维特征的样本 Xi = (xn,xi2,xi3,......xim),经过比特压缩后可表示为 I(Xi) ' =(I(Xil) '，I(xi2) '，......，I(Xim) '）； (3) 将样本按照经过比特压缩后I(Xi)'的取值进行聚合，具有相同UxiV的样本落 入同一个聚合集A中，A中的样本可能分属不同的类别；为此，对聚合集A中属于各个不同 类别的样本分别统计数量W并计算均值mean，在计算均值时使用样本特征的原始值（xn， Xi2,......，xim);随后，属于同一类别且具有相同I(Xi)'取值的样本特征值由均值mean替 代，W则代表其权重； (4) 经过比特压缩后，原始样本数据（Xi，yi)聚合为具有权重值W的新样本数据（Xi， yi)'，然后采用加权支持向量机分类器进行分类判定。
【专利摘要】本发明公开了一种基于物联网和SVM分析的人体健康状态检测系统。包括利用植入式、穿戴式等传感器设备获取人体特征数据，基于数据挖掘等技术，利用SVM分析器判断人体的健康情况。包括数据采集，数据建模，SVM分析，反馈交互。本发明主要基于生命健康产业快速发展的背景，是一种基于物联网、SVM分析来对人体健康情况进行监测的系统，能够缓解医疗资源短缺的情况，推进健康产业的快速发展。
【IPC分类】A61B5/021, A61B5/01
【公开号】CN104905770
【申请号】CN201410093157
【发明人】王永利, 范启鸿, 胡永生, 褚浩, 张功萱, 蒋效会, 朱雪彤, 邵帅, 袁驰, 李延超, 李锋晶
【申请人】南京理工大学
【公开日】2015年9月16日
【申请日】2014年3月13日
【技术领域】
[0001] 本发明涉及信息检测领域，具体是一种可实时监测人体特征信息的移动监测系 统，结合了物联网技术和SVM分类，可以实时地对人体健康状态进行预警。
【背景技术】
[0002] 体检的时候，身体各项指标正常，可是，后来却发现了癌症。难道人体从健康到癌 变就没有任何的中间过程，我们是一下子就出现肿瘤的？答案当然是否定的。如果我们能 够把从健康一直到肿瘤，这整个的发展过程，详细的表述出来，那么我们完全可以避免最终 不治之症的悲剧。如果我们很清楚的知道自己处于疾病发展过程中的哪个位置，这也有助 于我们更加正确的对待身体。疾病不是一天形成的，疾病的发展也是有迹可循的，基于此， 本发明通过采集人体的生命特征信息来判断其是否处于健康状态，对人体的健康状态进行 实时监测。
[0003] 物联网（InternetofThings,I0T)是一个基于互联网、传统电信网等信息承载 体，让所有能够被独立寻址的普通物理对象实现互联互通的网络。物联网一般为无线网，由 于每个人周围的设备可以达到一千至五千个，所以物联网可能要包含500万亿至一千万亿 个物体，在物联网上，每个人都可以应用电子标签将真实的物体上网联结，在物联网上都可 以查找出它们的具体位置，根据传感器获取的参数可以了解每个物体的状态。
[0004] 支持向量机SVM(SupportVectorMachine)在解决小样本、非线性及高维模式识 别中表现出许多特有的优势，并能够推广应用到函数拟合等其它机器学习问题中.它是建 立在统计学习理论的VC维理论和结构分险最小原理基础上的，主要基于以下三种考虑（1) 基于结构风险最小化，通过最小化函数集的VC维来控制学习机器的结构风险，使其具有较 强的推广能力.（2)通过最大化分类间隔（寻找最优分类超平面）来实现对VC维的控制， 这是由统计学习理论的相关定理保证的.（3)而SVM在技术上采用核化技术，根据泛函中的 Mercer定理，寻找一个函数（称核函数）将样本空间中内积对应于变换空间中的内积，即避 免求非线形映射而求内积
[0005]目前已有的技术就是为人建立一个病历档案，或者是定期进行体检，但这并不能 实时地对人体的健康情况进行检测和预警。
[0006]目前对人体特征检测的主要是采用图像处理的方法，图像处理虽然能够准确地提 供较为详细的信息，但图像的传输需要耗费很大的带宽资源，分析图像特点信息更是需要 大量的计算资源，而且图像分析只能应用与固定的场所，需要安装大量的摄像头来采集图 片信息。
【发明内容】
[0007] 本发明的目的在于提供一种基于物联网和SVM分类的可实时监控人体健康状态 的系统。该系统通过使用传感器等相关技术采集人体的生命特征信息，运用一种SVM分类 算法，来对人体的健康状态进行分类，从而实现有效的预警和监控。
[0008] 实现本发明目的的技术方案为：一种基于物联网和SVM分析的人体健康状态检测 系统，包括人体特征采集端10和数据中心端11 ;
[0009] 人体特征采集端10包括传感器装置101、网络传输单元102和显示端口 110,传感 器装置101获取人体的特征参数，然后通过网络传输单元102实时地把数据流传输到数据 中心端11，显示端口 110用于接收数据中心端11反馈回来的结果进行输出；
[0010] 数据中心端11包括预处理单元104、数据存储单元105、特征数据库106、已知特征 库107、特征提取单元103、SVM分类器108和输出端口 109;
[0011] 数据中心端11接收到实时特征数据流后，通过预处理单元104对数据流进行比特 压缩处理，然后把处理后的数据分别传送给数据存储单元105和SVM分类器108;
[0012] 数据存储单元105负责对实时数据流进行缓冲，把经过预处理的数据存储到特征 数据库106中，同时处理特征提取单元103对特征数据库106的信息访问要求；
[0013] 特征提取单元103通过从特征数据库106中提取数据，采用自学习的方法提炼出 判定规则，然后把规则存放到已知规则库107中；
[0014]SVM分类器108通过BRSVM算法基于已知规则库107对预处理单元104传输过来 的数据流进行判定，得出结果，送到输出端口 109,并把结果反馈到显示端口 110,对用户进 行提醒。
[0015] 人体特征采集端10中的传感器装置101为穿戴式传感器装置，用于检测人体的体 温、动脉收缩压和心跳指数人体特征参数。
[0016]SVM分类器108采用的BRSVM算法具体如下：
[0017] (1)对所采集的实时数据流进行标准化处理；设
[0018]I(v) =int(ZXv)
[0019] 其中，V是样本值，Z是放大标准化后的特征值的比例；I(V)将用于⑵中的比特 压缩步骤；
[0020] (2)在比特压缩过程中，假设b是将压缩的比特数，则压缩过程表示为：
[0021]I(V)，一I(V)>>b
[0022] 其中，k>>b表示将整数k右移b位，给定一个m维特征的样本
[0023]Xi=(xn, xi2, xi3,......Xim),经过比特压缩后可表示为
[0024] I(Xi)'=(I(Xil)'，I(Xi2)'，......，I(Xim)'）；
[0025] (3)将样本按照经过比特压缩后I(Xi)'的取值进行聚合，具有相同I(Xi)'的样 本落入同一个聚合集A中，A中的样本可能分属不同的类别；为此，对聚合集A中属于各个 不同类别的样本分别统计数量W并计算均值mean，在计算均值时使用样本特征的原始值 (xn,xi2,......，Xj;随后，属于同一类别且具有相同I(Xi)'取值的样本特征值由均值 mean替代，W则代表其权重；
[0026] (4)经过比特压缩后，原始样本数据（Xi，yi)聚合为具有权重值W的新样本数据 (Xi，Yi)'，然后采用加权支持向量机分类器进行分类判定，权重SVM算法将转化为一般性 的二次优化问题进行解决。
[0027] 本发明与现有技术相比，其显著优点：（1)本发明通过穿戴式传感器设备来实时 采集人体特征参数，采用实时分析数据流的方法来对人体的健康情况进行判别，这样不但 加快信息传递上的速度，极大地提高了效率。（2)本发明能应用于移动场景之中，大大地拓 展了使用范围。（3)本发明结合大数据分析和SVM分类的方法，保证判断正确率。
【附图说明】
[0028]图1是人体健康状态检测系统控制元件的模块框图。
[0029] 图2是基于样本比特压缩的BRSVM算法。
【具体实施方式】
[0030] 本发明具体实现的非限制性说明提供了一种能监测人体健康情况的实时系统和 方法，自动采集人体的生命特征信息，自动分析，并反馈给相关用户。作为一个智能化的系 统，它对源源不断的数据流进行训练分析，不断优化已有的特征库，提高了识别的精度和准 确率，从而促进生命健康产业的发展。本发明在现实应用中需要将无线网络和物联网相结 合，能够自动实现对人体健康状况24小时无缝隙的监测，极大程度上从源头上预防了大病 的发生，同时也能及时地发现疾病，也将极大了方便人们的生活。因此该系统具有非常良好 的应用前景。
[0031] 主要包括以下步骤：
[0032] 1)根据采集模块获取脉搏、体温等生命特征参数；
[0033] 2)参数将通过网络模块传送给远程工作站，作为后台系统输入；
[0034] 3)预处理进行比特压缩，然后进行聚合；
[0035] 4)基于已知特征库，SVM分类器对输入数据进行判断；
[0036] 5)相关数据将被储存在特征数据库中，用于后期进行数据分析，动态更新特征库。
[0037] 6)输出模块、反馈给相关用户。
[0038] 下面结合附图对本发明做进一步说明。
[0039] 人体的状况具体分为健康、非健康2个状态，主要通过体温、心跳、脉搏等参数进 行判定。
[0040] 参照图1，人体健康状态检测系统一般包括人体特征采集端10和数据中心端11两 部分。人体特征信息采集段主要通过穿戴式传感器装备来采集相关特征信息，例如：体温、 脉搏、心跳等。生命体征采集装置可以是其他厂商提供的标准监控设备。数据中心端11主 要完成对人体采集端10传送过来的数据的存储、分析和反馈。下面具体介绍其组成。
[0041]参照图1，显示了人体健康状态检测系统控制元件的模块框图，一种基于物联网和 SVM分析的人体健康状态检测系统，特征在于：包括人体特征采集端10、数据中心端11。
[0042] 人体特征采集端10通过穿戴式传感器装置101获取人体的特征参数，然后通过 网络传输单元102实时地把数据流传输到数据中心端11。数据中心端11包括预处理单元 104、数据存储单元105、特征数据库106、已知特征库107、特征提取单元103、SVM分类器 108、输出端口 109。数据中心端11接收到实时特征数据流后，通过预处理单元104对数据 流进行比特压缩处理，然后把数据分别传送给数据存储单元105和SVM分类器108。数据存 储单元105负责对实时数据流进行缓冲，把经过预处理的数据存储到特征数据库106中，同 时处理其他部件对数据库的信息访问要求。特征提取 单元103通过从特征数据库106中提 取数据进行分析，结合已有的背景知识提炼出判定规则，然后把规则存放到已知规则库107 中。输出端口 109是显示相关结果。SVM分类器108通过BRSVM算法基于已知规则库107 对预处理单元104传输过来的数据流进行判定，得出结果，送到输出端口 109和用户端的显 示端口 110,对用户进行相关提醒。
[0043] SVM分析器使用的算法：基于样本比特压缩的BRSVM算法
[0044] SVM方法可用于训练高精准的分类器，但应用于大样本数据集时具有训练与预测 速度慢的缺陷。现有较多针对提高SVM算法训练与预测速度的研究，本文提出一种基于样 本比特压缩的BRSVM方法，在保留原始SVM较好分类稳定性与泛化性能的同时，可大幅提高 SVM的训练与预测速度，并保证足够的分类精确率。此算法首先对样本集进行比特压缩处 理，然后利用加权支持向量机训练分类器。算法原理如下：
[0045] 1?原SVM介绍
[0046] 以基本的二元分类问题为例。SVM方法处理二元分类问题的主要思想是：寻找最 优分类超平面决策边界，使得训练样本中的两类样本能被准确分类，且此决策边界与各个 分类保持最大的边距；对于线性不可分问题，通过非线性化映射（核函数）将低维空间输入 向量映射到一个高维特征空间，从而将不可分问题在高维中转换为可分问题，然后在新空 间中寻求最优决策边界。具体描述如下：
[0047] 设训练的样本输入为Xi(i= 1，2. ...n)，对应的期望输出为yiG(-1，+1)，其中， +1与-1代表两类类别标志。高维空间超平面可表示为w?x-b= 0,其中，W是法向矢量， 与超平面正交，b/| |W|I表示超平面的偏移量。那么，在一般线性不可分条件下，引入松弛 变量I后，SVM算法即可表示成解决一个具有约束条件的二次优化问题，如下：
[0050]I1^Oi= 1,2. . . .n (1)
[0051] 其中，误差权重C为某个指定的常数，实际上起控制对错分样本惩罚程度的作用， 实现在错分样本与算法复杂度之间的折中。在式（1)中引入Iagrange乘子后，可得到对偶 优化问题，如下：
[0054] O1^Oi= 1,2. ...n(2)
[0055] 其中，Cii是非负拉格朗日乘子。可以证明，在此寻优问题的解中有一部分^不 为〇,它们所对应的训练样本落在两个支持超平面上，这些训练样本即称为支持向量。SVM 通过一个适当的非线性函数0(x)将数据由原始特征空间映射到一个新的高维特征空间，定 义= 01?)??)为核函数。解决此二次优化问题即可得到高维空间中用于分割样 本的最优超平面。对样本X的分类函数如下：
[0057] 其中，符号的正负说明样本的类别。
[0058] 2?比特压缩
[0059]BRSVM算法首先对样本集进行比特压缩处理，然后利用加权支持向量机训练分类 器。算法原理如下：将比特压缩用于SVM方法包含标准化、比特压缩与聚合三个步骤。
[0060] 标准化步骤用于确保每个样本特征具有均等的分辨率，所有样本特征数据都首先 经过标准化处理，处理后特征值落入区间[0，1]。随后，为了避免在其后比特压缩过程中过 多样本信息的丢失，使用一个整数来代表每个标准化后的特征值，计算方法如下：
[0061] I(v)=int(ZXv) (4)
[0062] 其中：Z是放大标准化后的特征值的比例；I(V)将用于后续的比特压缩步骤。
[0063] 在比特压缩过程中，假设b是将压缩的比特数，则压缩过程可表示为：
[0064] I(V)' 一I(V)> >b(5)
[0065] 其中，k>>b指将整数k右移b位，给定一个m维特征的样本
[0066]Xi=(xn, xi2, xi3,......xim),经过比特压缩后可表示为
[0067] I(Xi)' =(I(Xil)'，I(Xi2)'，......，I(Xim)'）。
[0068] 聚合步骤将样本按经过比特压缩后I(Xi)'的取值进行聚合，具有相同I(Xi)'的 样本落入同一个聚合集A中，A中的样本可能分属不同的类别。为此，对聚合集A中属于各 个不同类别的样本分别统计数量W并计算均值mean，在计算均值时使用样本特征的原始值 (xn,xi2,......，XiJ。随后，属于同一类别且具有相同I(Xi)'取值的样本特征值由均值 mean替代，W则代表其权重。尽管比特压缩处理的速度很快，但常规聚合处理方法的速率却 较低，算法复杂度通常是0 (n2)，其中，n为样本数量。本发明拟采用哈希表加快样本集聚合 速度，并选择全域散列函数，算法复杂度可降到〇(2n)，这将在较大程度上加快样本聚合压 缩的速度。
[0069] 3?权重SVM
[0070] 经过比特压缩后，原始样本数据（Xi，yi)聚合为具有权重值W的新样本数据（Xi， YiV。假设某个样本&的权重为Pi，则基于式（1)，权重SVM算法可表示为如下带约束条 件的二次优化问题：
[0073] I1^Oi= 1，2, ? ??，n (6)
[0074] 其中，约束条件与式（1)中相同。式（6)即可表示为如下对偶形式：
[0077] Qi^^1Ci=l，2，...，n (7)
【主权项】
1. 一种基于物联网和SVM分析的人体健康状态检测系统，其特征在于：包括人体特征 采集端[10]和数据中心端[11]; 人体特征采集端[10]包括传感器装置[101]、网络传输单元[102]和显示端口 [110]， 传感器装置[101]获取人体的特征参数，然后通过网络传输单元[102]实时地把数据流传 输到数据中心端[11]，显示端口 [110]用于接收数据中心端[11]反馈回来的结果进行输 出； 数据中心端[11]包括预处理单元[104]、数据存储单元[105]、特征数据库[106]、已知 特征库[107]、特征提取单元[103]、SVM分类器[108]和输出端口 [109]; 数据中心端[11]接收到实时特征数据流后，通过预处理单元[104]对数据流进行比特 压缩处理，然后把处理后的数据分别传送给数据存储单元[105]和SVM分类器[108]; 数据存储单元[105]负责对实时数据流进行缓冲，把经过预处理的数据存储到特征数 据库[106]中，同时处理特征提取单元[103]对特征数据库[106]的信息访问要求； 特征提取单元[103]通过从特征数据库[106]中提取数据，采用自学习的方法提炼出 判定规则，然后把规则存放到已知规则库[107]中； SVM分类器[108]通过BRSVM算法基于已知规则库[107]对预处理单元[104]传输过 来的数据流进行判定，得出结果，送到输出端口 [109]，并把结果反馈到显示端口 [110]，对 用户进行提醒。2. 根据权利要求1所述的基于物联网和SVM分析的人体健康状态检测系统，其特征在 于：人体特征采集端[10]中的传感器装置[101]为穿戴式传感器装置，用于检测人体的体 温、动脉收缩压和心跳指数人体特征参数。3. 根据权利要求1所述的基于物联网和SVM分析的人体健康状态检测系统，其特征在 于：SVM分类器108采用的BRSVM算法具体如下： (1) 对所采集的实时数据流进行标准化处理；设 I(v) =int(ZXv) 其中，V是样本值，Z是放大标准化后的特征值的比例；I(V)将用于（2)中的比特压缩 步骤； (2) 在比特压缩过程中，假设b是将压缩的比特数，则压缩过程表示为： I(V)，一I(V) > >b 其中，k>>b表示将整数k右移b位，给定一个m维特征的样本 Xi = (xn,xi2,xi3,......xim),经过比特压缩后可表示为 I(Xi) ' =(I(Xil) '，I(xi2) '，......，I(Xim) '）； (3) 将样本按照经过比特压缩后I(Xi)'的取值进行聚合，具有相同UxiV的样本落 入同一个聚合集A中，A中的样本可能分属不同的类别；为此，对聚合集A中属于各个不同 类别的样本分别统计数量W并计算均值mean，在计算均值时使用样本特征的原始值（xn， Xi2,......，xim);随后，属于同一类别且具有相同I(Xi)'取值的样本特征值由均值mean替 代，W则代表其权重； (4) 经过比特压缩后，原始样本数据（Xi，yi)聚合为具有权重值W的新样本数据（Xi， yi)'，然后采用加权支持向量机分类器进行分类判定。
【专利摘要】本发明公开了一种基于物联网和SVM分析的人体健康状态检测系统。包括利用植入式、穿戴式等传感器设备获取人体特征数据，基于数据挖掘等技术，利用SVM分析器判断人体的健康情况。包括数据采集，数据建模，SVM分析，反馈交互。本发明主要基于生命健康产业快速发展的背景，是一种基于物联网、SVM分析来对人体健康情况进行监测的系统，能够缓解医疗资源短缺的情况，推进健康产业的快速发展。
【IPC分类】A61B5/021, A61B5/01
【公开号】CN104905770
【申请号】CN201410093157
【发明人】王永利, 范启鸿, 胡永生, 褚浩, 张功萱, 蒋效会, 朱雪彤, 邵帅, 袁驰, 李延超, 李锋晶
【申请人】南京理工大学
【公开日】2015年9月16日
【申请日】2014年3月13日
最新回复(0)