整个家庭护理健康监测系统设计分为三层,即感知延伸层,网络层和应用服务层。总体架构如图 1。感知延伸层的功能是负责收集信息;它使用各种传感设备,应该全面感知能力和更高的灵敏度。网络层是整个系统的神经。它的主要功能是传递信息。后连接传感装置的无线传输网络,收集到的数据可以传递到上层。最后,应用服务层,它是整个系统的上层平台,专门负责为用户提供服务。

从图可以看出 1,系统主要分为感知延伸层、网络连接层和应用服务层。感知延伸层的传感装置,收集健康数据可以测量血压、血糖、心率、体温,人体的等等。传感和发送数据的功能,它有低功耗随时随地满足长期需求。在本地收集数据,潘网络如蓝牙和无线个域网可以满足通信需求。上述数字信息传输到中央节点部署在家里进行进一步的处理,处理后,传输的信息数据处理服务器应用程序的服务层通过WIFI, 4 g和其他网络。此外,传输数据可能不是阈值在正常范围内;然后报警过程应该被激活,但有时可能只是偶尔异常,如网络异常和临时异常感知;我们不应该把它们考虑的功能范围内,这些都是数据处理服务器。在应用程序的服务层,我们使用先进的BP网络和证据理论融合方法来预测和分析数据,可以更好地改善系统的预测精度。

应用程序服务层还包含一个web服务器,它可以响应用户的主动请求,管理用户的健康信息通过网络,提供病人和医生和患者之间的沟通渠道和病人,和管理用户的个人联系信息、家庭住址和监护人的联系信息等个人信息。还有一个数据库服务器;它的功能是存储每个用户的历史和实时健康数据web程序访问和查询,可以生成中间结果为后续的请求提供服务。

服务器可以部署在不同的主机上,也可以部署在一个宿主。尽管计算机有多任务和多进程处理能力,物理主机的CPU和内存资源是有限的。当多个服务器部署,会发生反应迟缓,导致未能及时为用户提供服务,导致用户流失的后果和糟糕的体验。因此,一个程序服务器响应大量的请求可以部署在一个主机上。当用户的数量变得越来越大,有必要添加服务器提供服务器集群负载均衡的处理能力。

架构选择在软件开发中扮演着重要的角色。选择一个合适的软件架构有助于确保系统具有良好的性能。常见软件体系结构通常分为C / S(客户机/服务器)和B / S(浏览器/服务器) 15]。通过分析各自的优势结合C / S和B / S和这个软件的数据处理方法,本文采用一种混合架构解决方案结合C / S和B / S的家庭护理健康监测软件系统,如图 2。

考虑老人的需要实时生理数据监控用户,软件需要有强壮的事务处理功能,相对较高的要求数据的及时性和准确性。因此,客户端软件开发为老年人使用C / S体系结构具有相对较高的互动能力和安全性。系统管理员和社区医生主要是负责建立健康文件,发布卫生信息,为老年人和管理用户信息。由于软件的广泛应用范围和相对较低的信息交互,管理员使用的B / S模式开发。

我的SQL数据库的特点,不仅体积小,简单的安装也可以跨平台,支持多种语言,适用于中小型项目开发。此外,我的SQL也有免费和开源的特点,所以绝大多数开发人员喜欢它。健康监测软件设计这个课题主要是为老年人和属于中小应用程序( 16, 17]。可以使用SQL Server和SQL的数据库软件。然而,考虑到发展的困难,兼容性,和成本,本文选择我的SQL的数据库软件。

因为老年人使用的健康监测软件运行在移动终端上,有必要选择一个移动开发平台。安卓是一个开源系统基于Linux内核与强大的api,这是非常适合开发人员根据他们的需要来开发各种应用软件。考虑到IOS系统开发过程是受限制的开发平台和Android系统拥有强大的用户群,尤其是使用Android手机的老年人,老年人手机终端的健康监测软件选择软件开发的Android操作系统。系统背景采用当前流行的Spring引导和Mybatis集成框架。春天的引导是春天的microservice产品( 18]。它集成了Spring MVC和实现自动配置的同时,避免了繁琐的操作在使用Spring框架文件和配置文件节省开发人员的时间。数据持久层的开发框架,我的鱼饵提供一个ORM(对象关系映射)机制将SQL语句映射到java对象,简化了开发工作。与Hibernate相比,尽管Mybatis需要开发人员编写SQL和接口,这就增加了工作量,正是因为这一原因,Mybatis可以优化和修改SQL语句,并具有较高的灵活性。

摘要是应用最广泛的神经网络。它具有较强的学习能力,高度的非线性映射能力,和大规模并行计算能力。现在用于图像处理( 16),经济预测( 17)、网络分类器( 18),和其他领域,已被广泛使用。在医学领域,摘要广泛用于疾病的预测和分类。例如,人们利用摘要构造一个精神分裂症精神分裂症发生预测模型,预测是否根据所选10个影响精神分裂症的发病的因素。预测准确率达到了87.5。其他人使用摘要预测脑血管疾病患者是否有院内感染和建立一个预测模型来评估患者院内感染的风险准确率89.2% ( 19]。另外,摘要也与其他模型预测疾病结合使用。这个健康监测软件构建一种疾病预测模型基于各种生理数据的老人,为老人和医生提供尽可能准确的预测结果,并帮助老年人预防疾病的发生。

摘要是用三个或更多层前馈神经网络。网络模型包括一个输入层、隐藏层和输出层。可以有一个或多个隐藏层。摘要利用结构,层之间不存在反馈回路,没有互连节点之间在同一层( 20.]。有些学者从理论上证明当隐层节点的数量可以根据需要自由调整,一个三层神经网络(即。,只有一个隐藏层)可以达到任何连续非线性映射精度。图 3显示了一个典型的三层摘要流结构及其算法。

构建摘要结构的第一步摘要算法的实现。三层摘要图 3作为一个例子。网络已经<我talic> n输入和<我talic> 米输出,和隐藏层<我talic> l神经元。的输出<我talic> jth隐藏层神经元<我nl在e-formula> h j ,<我nl在e-formula> y k ,<我nl在e-formula> d k 预测输出和预期的输出是什么<我talic> k -在输出层神经元,分别。在确定系统的每一层的节点数量,还需要初始化系统的重量和阈值(阈值也称为偏见),<我nl在e-formula> w 我 j 代表输入层和隐层之间的连接权重<我nl在e-formula> w j k 是隐藏层。输出层之间的连接权值,<我nl在e-formula> 一个 j 和<我nl在e-formula> b k 中相应的神经元的阈值,隐藏层和输出层。学习速率是<我nl在e-formula> η ,计算精度值<我nl在e-formula> ε 0 学习的最大数量<我nl在e-formula> N 0 神经元激活函数<我nl在e-formula> f x ,在那里<我nl在e-formula> f x 采用乙状结肠函数形式: (1) f x = 1 1 + e − x 。

在构造神经网络的结构和初始化网络,进入培训阶段的神经网络,也称学习过程的摘要 21]。使用梯度下降方法更新重量和隐层到输出层的阈值和输入层到隐层的层,最后得到的重量更新公式见公式( 2)和阈值更新公式见公式( 3): (2) w 我 j = w 我 j + η h j 1 − h j x 我 ∑ k = 1 米 w j k e k , w j k = w j k + η h j e k 。 (3) 一个 j = 一个 j + η h j 1 − h j ∑ k = 1 米 w j k e k , b k = b k + η e k 。

摘要利用培训的本质是一个不断调整权重和阈值的过程。停止训练的条件是网络错误滴一组最小值或达到一定数量的训练步骤。重量训练成功后,保存和阈值获取网络,然后输入预测样本训练网络得到预测结果。

因为摘要难以确定网络结构进行预测时,很容易陷入局部最小值等缺点。在本节中,DS证据理论用于优化摘要算法,得到一种新的疾病预测模型,统称为DSBP模型如下。模型使用DS组合规则融合获得多组数据的摘要为一组数据,从而提高了预测精度和准确性的摘要。

DS证据理论能满足弱条件比贝叶斯在处理不确定性问题,它有明显的优势,目前广泛应用于信息融合、决策分析、模式识别等领域。假设宇宙<我nl在e-formula> U = x 1 , x 2 , … , x n 是一组命题的一个假想的空间,和元素<我talic> U是互相排斥的;然后<我talic> U被称为识别框架。2 ^U是集合的所有子集组成的识别框架<我talic> U。如果函数m 2 ^U- >[0,1],满足公式( 4)和( 5),然后<我talic> 米(<我talic> 一个)的基本概率赋值(BPA)<我talic> 一个代表信任的程度的假设<我talic> 一个。 (4) 米 ∅ = 0 , (5) ∑ 一个 ⊆ U 米 一个 = 1。

公式( 4)表明不支持为空集,生成和公式( 5)表明,信任值之和的假设必须。当<我talic> 米(<我talic> 一个)> 0,电话<我talic> 一个的焦点元素<我talic> 米。贝尔信任函数和似然函数pl的命题被定义为 (6) 贝尔 一个 = ∑ B | B ⊆ 一个 米 B , (7) pl 一个 = 1 − 贝尔 一个 ¯ = ∑ B | B ∩ 一个 ≠ ∅ 米 B 。

根据公式( 6)和公式( 7),结合置信区间图在图 4可以看出,信任函数贝尔(<我talic> 一个)<我talic> 一个是每个子集的BPA的总和<我talic> B在<我talic> 一个代表的假设<我talic> 一个是真的信任水平。的似然函数<我talic> 一个pl (<我talic> 一个),是所有假设的BPA的总和相交<我talic> 一个并不是空的,表示怀疑的程度<我talic> 一个是真的。在一定的假设<我talic> 一个在识别框架,其不确定性区间是信任函数和似然。(贝尔(闭区间<我talic> 一个)、pl (<我talic> 一个)由函数表示的不确定性假说<我talic> 一个。之后获得的证据结合两个独立的证据,<我talic> 米1,<我talic> 米2, (8) 米 12 C = 1 − K − 1 ∑ 一个 ∩ B = C 米 1 一个 米 2 B , ∀ C ⊂ U 和 C ≠ ∅ , 0 , C ≠ ∅ , K = ∑ 一个 ∩ B = ∅ 米 1 一个 米 2 B < 1。

DS组合公式满足交换律和结合律,可以结合多个独立证据以获得更准确的BPA。的公式,<我talic> K被称为冲突系数,它的大小呈正相关的证据之间的冲突。的价值就越大<我talic> K,更大的冲突。

DSBP预测算法,摘要仍是主要算法的一部分,和它的目的是获得多组概率向量用于DS合成。DS证据理论只需要融合的输出结果摘要根据组合规则,充分考虑之间的潜在关系的证据,并将多个概率向量集转换为一组概率向量获得的结果更准确,提高预测精度。图 4显示了DSBP预测模型框架。整个预测过程的训练过程包括摘要,摘要的预测过程,利用DS证据理论融合的过程数据。

整个预测模型包括三个步骤,训练传统的摘要,摘要的预测过程,使用DS证据理论融合数据。上述多个摘要利用预测结果归一化,转化为符合DS证据理论的基本概率分布的条件。然后使用DS组合公式将数据融合得到独特的概率分布,最后得到最终的预测结果根据决策规则。

三轴加速度传感器和陀螺仪用来测量相关特征值来确定是否发生了下降。轴向加速度传感器可以感知物体的加速度<我talic> X,<我talic> Y,<我talic> Z在空间方向,陀螺仪可以测量物理角运动很好。在系统中,我们使用模块化的三轴加速度计和陀螺仪采集人体运动信息,然后使用特征值识别算法分析人体是否下降,并使用物联网技术为家庭成员提供早期预警和健康专家。为了提供最常见的下跌风险的早期预警老年人的家庭生活,实验采集三轴加速度计的结果进行分析。老年人在各个方向的加速度收集的三轴加速度计如图 5。

图 5显示了三轴加速度传感器的实验测试结果老年人行走时通常在家里有下滑的危险。左边的图片展示了实验结果数据正常。可以看出,当老年人正常行走,只有加速度的变化<我talic> y方向存在,其他方向的加速度值是零。右边的图片是实验结果数据当老年人下降的危险。可以看出,当老年人的危险下降,的加速度<我talic> z设在明显增加。与此同时,0.1还增加的加速度<我talic> x设在。相反,加速<我talic> y设在已大幅下降。这表明老人停了下来,侧下降,与实际情况一致。当系统检测到老年人的下降的信号,它将提供实时预警通过物联网系统中描述的部分 2并通知家人和健康专家。

为了验证该算法的稳定性,首先初始化常用的参数和设置学习速率(一般选在0.01和0.8之间);最大训练次数是200,均方误差设置为0.01,隐层激活函数采用乙状结肠函数。然后确定网络结构。这个实验使用了三层摘要结构预测心脏病。输入节点的数量,因为有13个因素与心脏病有关,13节点选择和输出节点的数量是心脏病类型的数量。根据原始数据,模型的输出层的节点数量是5。在培训摘要之前,必须初始化在每一层神经元之间的连接权值和阈值。一般来说,连接权重和阈值是随机数字。在这个实验中,(−1,1)之间的一个随机数作为连接权重和阈值的初始值。进行神经网络训练,直到所有的样本都训练或均方误差达到10⁻⁷;节省权重和阈值获取网络后续的实验。通过仿真获得的误差曲线如图 6。自适应函数的温度图测试结果如图 7。

从图可以看出 7局部最小值的函数有大量分布式域,和全球最小值(0,0)。大量的局部最小值增加的困难找到全局最小值的摘要算法。从图可以看出 610的迭代之后,均方误差达到10⁻⁷,培训结束。

在验证疾病预测算法在本文之前,有必要选择疾病数据。本文选择了心脏病的官方网站数据集UCI标准数据集验证。数据包括14个属性,如年龄,性别,和类型的胸痛。在一些心脏病的原始数据的数据集,<我nl在e-formula> 全国矿工工会 是心脏病的类型(0意味着没有疾病;1 - 4意味着4类型的心脏病)。

发现大部分的年龄超过50岁的属性数据,这个数据集选择建立一个预测模型实现一定程度的可靠性预测心脏病的老人。在这个实验中,600 -预测数据集分为200类中的数据根据类似的数据特点和原理相同的结果,在每组3数据。因此,预测和验证这些600块的数据相当于对200名被试进行实验,每一个都包含三块的数据。测试样本的200套测试根据类型的心脏病,与40个科目在每一个类型。图 8摘要计算识别率,也称为预测准确率,也就是说,正确的数量的比率预测这种类型的所有的预测数据。其中,BP1代表结果通过摘要在示例中使用第一个数据对象,和BP2 BP3是相似的。使用三个不同的实验来验证证据理论的作用,消除异常数据带来的不确定性。

本文将比较摘要与DSBP算法预测算法在预测精度和鲁棒性方面,判断算法的优缺点。200集的预测数据都是通过神经网络获得的初步预测结果,然后融合后的最终概率分布是通过DS证据理论,确定心脏病的类型,计算和预测精度。此外,比较准确率通过DSBP算法的准确率通过一段数据的摘要每个对象。

从图可以看出 9预测结果的准确性通过神经网络基于只有一段数据融合得到的显著低于多条数据的摘要预测结果使用DS证据理论。网络算法改进后,DSBP算法有很好的改善预测精度。

为了验证算法的鲁棒性,本文设置一个阈值在两种预测模型,规定预测结果是有效的只有当预测结果是大于或等于。反过来,增加阈值和验证算法的鲁棒性算法的预测精度的变化。算法的鲁棒性也反映了算法的准确性。即确认某种类型的疾病的程度更大。BP和DSBP的趋势预测精度的阈值如图 9。

从图 10,可以看出,随着系统设定的阈值的增加,这表明疾病预测结果判断的要求越来越严格,这两个算法的预测精度是显示一个下降的趋势。其中,摘要利用预测模型,设置阈值小于0.85时,预测精度较高。但当阈值大于0.85,预测准确率的下降趋势变得更快,准确率下降,表明摘要不好的稳定性和准确性不高。阈值增加到0.97时,摘要模型只有一个0.127的预测精度,算法并不强劲。至于DSBP模型,随着阈值的增加,虽然预测准确率显示一定的下降趋势,其预测准确率一直保持在一个较高的水平。即使在阈值高达0.97,DSBP模型的预测精度为0.825,及其鲁棒性明显高于摘要利用预测模型。