基于物聯網和svm分析的人體健康狀態檢測系統的制作方法
【技術領域】
[0001] 本發明涉及信息檢測領域，具體是一種可實時監測人體特征信息的移動監測系 統，結合了物聯網技術和SVM分類，可以實時地對人體健康狀態進行預警。
【背景技術】
[0002] 體檢的時候，身體各項指標正常，可是，后來卻發現了癌癥。難道人體從健康到癌 變就沒有任何的中間過程，我們是一下子就出現腫瘤的？答案當然是否定的。如果我們能 夠把從健康一直到腫瘤，這整個的發展過程，詳細的表述出來，那么我們完全可以避免最終 不治之癥的悲劇。如果我們很清楚的知道自己處于疾病發展過程中的哪個位置，這也有助 于我們更加正確的對待身體。疾病不是一天形成的，疾病的發展也是有跡可循的，基于此， 本發明通過采集人體的生命特征信息來判斷其是否處于健康狀態，對人體的健康狀態進行 實時監測。
[0003] 物聯網（InternetofThings,I0T)是一個基于互聯網、傳統電信網等信息承載 體，讓所有能夠被獨立尋址的普通物理對象實現互聯互通的網絡。物聯網一般為無線網，由 于每個人周圍的設備可以達到一千至五千個，所以物聯網可能要包含500萬億至一千萬億 個物體，在物聯網上，每個人都可以應用電子標簽將真實的物體上網聯結，在物聯網上都可 以查找出它們的具體位置，根據傳感器獲取的參數可以了解每個物體的狀態。
[0004] 支持向量機SVM(SupportVectorMachine)在解決小樣本、非線性及高維模式識 別中表現出許多特有的優勢，并能夠推廣應用到函數擬合等其它機器學習問題中.它是建 立在統計學習理論的VC維理論和結構分險最小原理基礎上的，主要基于以下三種考慮（1) 基于結構風險最小化，通過最小化函數集的VC維來控制學習機器的結構風險，使其具有較 強的推廣能力.（2)通過最大化分類間隔（尋找最優分類超平面）來實現對VC維的控制， 這是由統計學習理論的相關定理保證的.（3)而SVM在技術上采用核化技術，根據泛函中的 Mercer定理，尋找一個函數（稱核函數）將樣本空間中內積對應于變換空間中的內積，即避 免求非線形映射而求內積
[0005]目前已有的技術就是為人建立一個病歷檔案，或者是定期進行體檢，但這并不能 實時地對人體的健康情況進行檢測和預警。
[0006]目前對人體特征檢測的主要是采用圖像處理的方法，圖像處理雖然能夠準確地提 供較為詳細的信息，但圖像的傳輸需要耗費很大的帶寬資源，分析圖像特點信息更是需要 大量的計算資源，而且圖像分析只能應用與固定的場所，需要安裝大量的攝像頭來采集圖 片信息。
【發明內容】
[0007] 本發明的目的在于提供一種基于物聯網和SVM分類的可實時監控人體健康狀態 的系統。該系統通過使用傳感器等相關技術采集人體的生命特征信息，運用一種SVM分類 算法，來對人體的健康狀態進行分類，從而實現有效的預警和監控。
[0008] 實現本發明目的的技術方案為：一種基于物聯網和SVM分析的人體健康狀態檢測 系統，包括人體特征采集端10和數據中心端11 ;
[0009] 人體特征采集端10包括傳感器裝置101、網絡傳輸單元102和顯示端口 110,傳感 器裝置101獲取人體的特征參數，然后通過網絡傳輸單元102實時地把數據流傳輸到數據 中心端11，顯示端口 110用于接收數據中心端11反饋回來的結果進行輸出；
[0010] 數據中心端11包括預處理單元104、數據存儲單元105、特征數據庫106、已知特征 庫107、特征提取單元103、SVM分類器108和輸出端口 109;
[0011] 數據中心端11接收到實時特征數據流后，通過預處理單元104對數據流進行比特 壓縮處理，然后把處理后的數據分別傳送給數據存儲單元105和SVM分類器108;
[0012] 數據存儲單元105負責對實時數據流進行緩沖，把經過預處理的數據存儲到特征 數據庫106中，同時處理特征提取單元103對特征數據庫106的信息訪問要求；
[0013] 特征提取單元103通過從特征數據庫106中提取數據，采用自學習的方法提煉出 判定規則，然后把規則存放到已知規則庫107中；
[0014]SVM分類器108通過BRSVM算法基于已知規則庫107對預處理單元104傳輸過來 的數據流進行判定，得出結果，送到輸出端口 109,并把結果反饋到顯示端口 110,對用戶進 行提醒。
[0015] 人體特征采集端10中的傳感器裝置101為穿戴式傳感器裝置，用于檢測人體的體 溫、動脈收縮壓和心跳指數人體特征參數。
[0016]SVM分類器108采用的BRSVM算法具體如下：
[0017] (1)對所采集的實時數據流進行標準化處理；設
[0018]I(v) =int(ZXv)
[0019] 其中，V是樣本值，Z是放大標準化后的特征值的比例；I(V)將用于⑵中的比特 壓縮步驟；
[0020] (2)在比特壓縮過程中，假設b是將壓縮的比特數，則壓縮過程表示為：
[0021]I(V)，一I(V)>>b
[0022] 其中，k>>b表示將整數k右移b位，給定一個m維特征的樣本
[0023]Xi=(xn, xi2, xi3,......Xim),經過比特壓縮后可表示為
[0024] I(Xi)'=(I(Xil)'，I(Xi2)'，......，I(Xim)'）；
[0025] (3)將樣本按照經過比特壓縮后I(Xi)'的取值進行聚合，具有相同I(Xi)'的樣 本落入同一個聚合集A中，A中的樣本可能分屬不同的類別；為此，對聚合集A中屬于各個 不同類別的樣本分別統計數量W并計算均值mean，在計算均值時使用樣本特征的原始值 (xn,xi2,......，Xj;隨后，屬于同一類別且具有相同I(Xi)'取值的樣本特征值由均值 mean替代，W則代表其權重；
[0026] (4)經過比特壓縮后，原始樣本數據（Xi，yi)聚合為具有權重值W的新樣本數據 (Xi，Yi)'，然后采用加權支持向量機分類器進行分類判定，權重SVM算法將轉化為一般性 的二次優化問題進行解決。
[0027] 本發明與現有技術相比，其顯著優點：（1)本發明通過穿戴式傳感器設備來實時 采集人體特征參數，采用實時分析數據流的方法來對人體的健康情況進行判別，這樣不但 加快信息傳遞上的速度，極大地提高了效率。（2)本發明能應用于移動場景之中，大大地拓 展了使用范圍。（3)本發明結合大數據分析和SVM分類的方法，保證判斷正確率。
【附圖說明】
[0028]圖1是人體健康狀態檢測系統控制元件的模塊框圖。
[0029] 圖2是基于樣本比特壓縮的BRSVM算法。
【具體實施方式】
[0030] 本發明具體實現的非限制性說明提供了一種能監測人體健康情況的實時系統和 方法，自動采集人體的生命特征信息，自動分析，并反饋給相關用戶。作為一個智能化的系 統，它對源源不斷的數據流進行訓練分析，不斷優化已有的特征庫，提高了識別的精度和準 確率，從而促進生命健康產業的發展。本發明在現實應用中需要將無線網絡和物聯網相結 合，能夠自動實現對人體健康狀況24小時無縫隙的監測，極大程度上從源頭上預防了大病 的發生，同時也能及時地發現疾病，也將極大了方便人們的生活。因此該系統具有非常良好 的應用前景。
[0031] 主要包括以下步驟：
[0032] 1)根據采集模塊獲取脈搏、體溫等生命特征參數；
[0033] 2)參數將通過網絡模塊傳送給遠程工作站，作為后臺系統輸入；
[0034] 3)預處理進行比特壓縮，然后進行聚合；
[0035] 4)基于已知特征庫，SVM分類器對輸入數據進行判斷；
[0036] 5)相關數據將被儲存在特征數據庫中，用于后期進行數據分析，動態更新特征庫。
[0037] 6)輸出模塊、反饋給相關用戶。
[0038] 下面結合附圖對本發明做進一步說明。
[0039] 人體的狀況具體分為健康、非健康2個狀態，主要通過體溫、心跳、脈搏等參數進 行判定。
[0040] 參照圖1，人體健康狀態檢測系統一般包括人體特征采集端10和數據中心端11兩 部分。人體特征信息采集段主要通過穿戴式傳感器裝備來采集相關特征信息，例如：體溫、 脈搏、心跳等。生命體征采集裝置可以是其他廠商提供的標準監控設備。數據中心端11主 要完成對人體采集端10傳送過來的數據的存儲、分析和反饋。下面具體介紹其組成。
[0041]參照圖1，顯示了人體健康狀態檢測系統控制元件的模塊框圖，一種基于物聯網和 SVM分析的人體健康狀態檢測系統，特征在于：包括人體特征采集端10、數據中心端11。
[0042] 人體特征采集端10通過穿戴式傳感器裝置101獲取人體的特征參數，然后通過 網絡傳輸單元102實時地把數據流傳輸到數據中心端11。數據中心端11包括預處理單元 104、數據存儲單元105、特征數據庫106、已知特征庫107、特征提取單元103、SVM分類器 108、輸出端口 109。數據中心端11接收到實時特征數據流后，通過預處理單元104對數據 流進行比特壓縮處理，然后把數據分別傳送給數據存儲單元105和SVM分類器108。數據存 儲單元105負責對實時數據流進行緩沖，把經過預處理的數據存儲到特征數據庫106中，同 時處理其他部件對數據庫的信息訪問要求。特征提取