基于物联网的居家护理健康信息感知分析与预警

摘要

针对现有居家养老系统中老年人健康监测不足的问题，本文设计了一种基于物联网技术的老年人健康信息分析预警系统，能够实时监测老年人的生理数据。它还可以基于老年人实时监测数据、体检数据等类型的健康数据，可以用来预测疾病，从而实现疾病的“早发现、早治疗”。首先，分析和设计了基于物联网的居家养老监控系统的体系结构和内容。其次，根据采集到的老年人的心率、血压、三轴加速度信息进行分析，判断老年人是否存在跌倒的危险，并将设计的系统用于预警。最后，本文分析了居家养老系统健康监测软件中疾病预测模块的预测算法原理。为了提高预测的准确性，利用DS证据理论对传统BP神经网络(BPNN)算法进行了优化，并进行了实验测试。测试结果表明，该家庭护理系统健康信息分析与预警软件满足实际需求，达到了预期目标。

1.介绍

随着人口老龄化趋势日益明显，“4 + 2 + 1”家庭数量的增加，社会对养老服务的需求越来越大，传统的机构养老已经不能满足日益增长的养老需求[1］．目前，居家养老主要是针对居住在自己家中的老年人，辅以社区养老服务。老年人可以住在自己的家里，接受社区服务的相应照顾，满足老年人日常生活的需要，如医疗、健康、日常生活等。然而，对于居家老人来说，这种社区也有很多缺点，比如无法实时了解老年人的需求，老年人心脏病发作却不能主动发出求救信号[2- - - - - -5］．因此，居家养老需要结合物联网(IoT)技术构建智能家居系统，通过智能感知技术实时获取老年人的精准需求，并根据老年人的需求提供服务。例如控制智能家居设备或选择服务提供商并通知服务提供商提供服务。

根据联合国有关机构发布的数据，从2005年到2050年，全球60岁以上人口将从目前的8%增加到16%，80岁以上人口将超过4亿。因此，老龄化是全人类面临的重大问题。美国人口普查局公布的最新数据显示，美国65岁以上的老年公民有3500万，占总人口的12.4% [6，7］．据估计，到2030年，美国老年人口将急剧增加到7000万左右，占总人口的比例将增加到20%。也就是说，每五个人中就有一个是依靠社会保障体系和自己的养老金生活的白发老人。大多数美国人退休后都不愿意依赖他们的孩子。他们通常选择在自己的家中或住在老年公寓或护理院度过晚年[8］．因此，智能家居护理系统是他们非常依赖的“生活伴侣”。

在老年人健康管理方面，国外已经取得了很多成果。美国Honora公司开发了养老服务在线市场平台。护理人员第一次登录平台时，需要在平台上填写其资格、技能、服务类型、服务时间等相关信息[9］．老年人也需要完善自身的个人信息和服务需求，Honora平台会根据供需关系将照顾者信息与老年人的需求进行匹配，实现服务对接。西班牙的Etchemin研究团队也开发了老年人健康管理平台。与Honora不同，Etchemin研究小组在关注老年人健康数据的同时，更关注老年人的情绪变化[10］．当老年人处于抑郁或消极情绪状态时，系统能准确感受老年人的情绪困难，评估老年人的精神状态，并为老年人提供最合适的治疗;瑞典塔斯公司开发了一款基于Android系统的移动健康监测系统。该系统利用多种传感器采集人体信号数据(如心率、血压、血糖等)，并在移动终端上实时显示这些数据[11］．它可以基于物理数据;分析结果为老年人提供了有针对性的健康建议。由于远程医疗的概念只出现在我国几年以来，人们仍然相对不熟悉它，因此它的发展相对较慢，它与发达国家之间存在巨大差距，研究网站相对较少在米ycountry’s research work, and researchers are also quite lacking. Although smart elderly care has begun to develop in China, the elderly care service system on the market has not been established, especially the complete life assistance system for the semidisabled elderly. Today, when aging is becoming more and more serious, it is especially important to establish complete and economical support for the semidisabled elderly [12- - - - - -14］．然而，这些方法对物联网并不热衷，也没有先进的证据理论来提高BP网络预测的准确性。

物联网是指各种设备和技术，如信息传感器、射频识别技术、全球定位系统、红外传感器和激光扫描仪，用于收集需要实时监控的任何信息，连接和交互对象或过程，收集所需的各种信息，通过各种可能的网络接入，实现对象与人之间无处不在的连接，实现对对象和过程的智能感知、识别和管理。物联网的出现为居家老年人健康信息感知分析和预警提供了便利。本文就是以居家养老为背景，基于物联网技术开发的老年人健康信息分析预警云平台。平台建设主要包括智能、医疗整合、云计算、大数据分析四个方面。利用智能终端和自然人机交互传感设备，采集老年人日常行为和健康管理数据，有效整合养老和医疗服务，是一个集“智能护理、生命救助、健康管理、养老服务”于一体的综合性养老服务平台。高性能云计算数据平台上的“安全防护，家庭关怀”。通过大数据挖掘方法，可以分析老年人的健康信息，对老年人可能发生的疾病进行预警预测。为了提高疾病预测的准确性，本文利用DS证据理论对基于BP神经网络(BPNN)的传统疾病预测算法进行优化，以提高疾病预测的准确性。采用B/S架构和Web Service技术，主要功能是对前端收集的数据进行健康度分析和日常行为分析。 At the same time, various dangerous behaviour warnings, health reports, health recommendations, health service information, and so on are regularly pushed for the elderly and their relatives.

本文的其余部分组织如下:相关理论和技术在本节中给出2详细;部分3.阐述了居家老年人的健康信息分析和疾病预测。本节给出了仿真结果、性能分析和结论4和部分5．

2.老年人健康监测系统的结构设计

2．1．基于物联网的老年人健康监测系统

整个居家健康监护系统设计分为感知扩展层、网络层和应用服务层三个层次。总体架构如图所示1．感知扩展层的功能负责收集信息;它采用多种传感装置，应具有全面的感知能力和较高的灵敏度。网络层是整个系统的神经。它的主要功能是传递信息。传感设备接入无线传输网络后，采集到的数据可以传输到上层。最后，应用服务层是整个系统的上层平台，专门负责向用户提供服务。

从图中可以看出1，系统主要分为感知扩展层、网络连接层和应用服务层。在感知扩展层，采集健康数据的传感装置可以测量人体的血压、血糖、心率、体温等。具有数据传感和发送功能，功耗低，随时随地满足长期需求。为了在本地采集数据，PAN网络如蓝牙和ZigBee可以满足其通信需求。将上述数字信息传输到部署在家中的中心节点进行进一步处理，处理后通过WIFI、4G等网络传输到应用服务层的数据处理服务器。另外，传输的数据可能不在正常的阈值范围内;这时应及时启动报警程序，但有时可能只是偶然的异常，如网络异常和暂时的感知异常;我们不应该考虑到这些都是在数据处理服务器的功能范围内。在应用服务层，采用先进的BP网络和证据理论融合方法对数据进行预测和分析，可以更好地提高系统的预测精度。

应用服务层还包含web服务器，可以响应用户的主动请求，通过web管理用户的健康信息，提供患者与医生、患者与患者之间的沟通渠道，管理用户的个人联系方式、家庭地址、以及监护人的个人信息，如联系信息。还有一个数据库服务器;其功能是存储每个用户的历史和实时健康数据，供web程序访问和查询，并生成中间结果，为后续请求提供服务。

这些服务器可以部署在不同的主机上，也可以全部部署在一台主机上。尽管计算机具有多任务处理和多进程处理能力，但物理主机的CPU和内存资源是有限的。当部署多台服务器时，会出现响应慢的情况，无法及时向用户提供服务，造成用户流失和用户体验差的后果。因此，可以在主机上部署响应大量请求的程序服务器。当用户数量越来越多时，需要增加服务器，以提供服务器集群负载均衡的处理能力。

2.2。家庭老年卫生服务系统的配置

架构选择在软件开发中起着重要的作用。选择合适的软件体系结构有助于确保系统具有良好的性能。通用的软件架构一般分为C/S(客户端/服务器)和B/S(浏览器/服务器)[15］．通过分析C/S和B/S各自的优势，结合本软件的数据处理方法，本文采用C/S和B/S相结合的混合架构解决方案，实现了家庭护理健康监控软件系统，如图所示2．

考虑到对老年用户的实时生理数据监控的需要，软件需要具有强大的交易处理能力，并且对数据的时间性和准确性具有相对高的要求。因此，使用具有相对高的交互能力和安全性的C / S架构开发了老人的客户端软件。系统管理员和社区医生主要负责建立健康文件，发布健康信息和为老年人管理用户信息。由于软件的广泛应用范围和相对较少的信息交互，管理员使用B / S模型进行开发。

我的SQL数据库不仅具有体积小、安装简单的特点，而且可以跨平台工作，支持多种语言，适合中小型项目开发。此外，My SQL还具有免费、开源的特点，深受广大开发人员的喜爱。本课题设计的健康监测软件主要针对老年人，属于中小型应用[16，17］．本软件的数据库可以使用SQL Server和My SQL。但是考虑到开发的难度、兼容性和成本，本文选择了My SQL作为本软件的数据库。

老年人所使用的健康监测软件运行在移动终端上，因此有必要选择移动开发平台。Android是基于Linux内核的开源系统，具有强大的api，非常适合开发人员根据自己的需求开发各种应用软件。考虑到IOS系统开发过程受到开发平台的限制，而Android系统用户基础较强，特别是使用Android手机的老年人，本健康监控软件的老年手机终端选择Android操作系统进行软件开发。系统后台采用当前流行的Spring Boot与Mybatis集成框架。Spring Boot是Spring的微服务产品[18］．它集成了Spring MVC，同时实现了自动配置，避免了使用Spring框架文件时繁琐的操作，节省了开发人员配置文件的时间。作为数据持久化层的开发框架，My bait提供了ORM(对象关系映射)机制来将SQL语句映射到java对象，从而简化了开发工作。与Hibernate相比，虽然Mybatis需要开发人员编写SQL和接口，增加了工作负载，但正是因为这个原因，Mybatis可以优化和修改SQL语句，具有更高的灵活性。

3.居家长者健康资讯分析及疾病预测

3．1.BPNN疾病预测算法分析

BPNN是应用最广泛的神经网络。它具有很强的学习能力、高度非线性映射能力和大规模并行计算能力。它现在被用于图像处理[16]、经济预测[17，网络分类器[18等领域，得到了广泛的应用。在医学领域，BPNN被广泛应用于疾病的预测和分类。例如，人们使用BPNN构建一个精神分裂症预测模型，并根据所选的10个影响精神分裂症发病的因素来预测精神分裂症是否发生。预测准确率达到87.5。其他使用BPNN预测脑血管病患者是否会发生医院感染，并建立预测模型评估患者发生医院感染的风险，准确率为89.2% [19］．此外，BPNN还与其他模型相结合用于疾病预测。该健康监测软件根据老年人的各种生理数据建立疾病预测模型，为老年人和医生提供尽可能准确的预测结果，帮助老年人及时预防疾病的发生。

bp神经网络是一种具有三层或多层的前馈神经网络。该网络模型包括输入层、隐藏层和输出层。可以有一个或多个隐藏层。在BPNN结构中，层与层之间不存在反馈环路，同层节点之间不存在互联[20.］．有学者从理论上证明，当隐层节点的数量可以根据需要自由调整时，三层神经网络(即只有一个隐层)可以以任意精度逼近任意连续的非线性映射。数字3.给出了典型的三层BPNN结构及其算法流程。

构造bp神经网络结构是实现bp神经网络算法的第一步。以图中的三层BPNN为例3.作为一个例子。网络已经n输入和米输出，隐藏层有l神经元。输出j隐含层中的第th神经元为 ， ,预测产量和预期产量是k -输出层的第Th个神经元。在确定系统各层节点的数量后，还需要初始化系统的权值和阈值(阈值也称为偏差)，其中表示输入层和隐藏层之间的连接权重是隐藏层。输出层之间的连接权重，和 ，为隐含层和输出层对应神经元的阈值。学习速率为 ，计算精度值为 ，学习的最大次数是 ，神经元的激活功能是 ，在哪里采用Sigmoid函数，形式如下:

在构造神经网络的结构并初始化网络后，进入神经网络的训练阶段，也称为BPNN的学习过程[21］．利用梯度下降法将隐含层的权值和阈值逐层更新到输出层，将输入层的权值和阈值逐层更新到隐含层，最终得到权值更新公式如式(2)，阈值更新公式如式(3.)：

bp神经网络训练的本质是一个不断调整权值和阈值的过程。停止训练的条件是网络误差下降到设定的最小值或达到设定的训练步数。训练成功后，保存权值和阈值得到网络，然后将预测样本输入到训练的网络中，得到预测结果。

３．２．基于DSBP神经网络的老年人疾病预测算法分析

由于bp神经网络在进行预测时难以确定网络结构，容易陷入局部极小等缺点。本节利用DS证据理论对BPNN算法进行优化，得到新的疾病预测模型，以下统称为DSBP模型。该模型利用DS组合规则将bp神经网络获得的多组数据融合为一组数据，从而提高了bp神经网络的预测精度和准确性。

DS证据理论可以在处理不确定性问题时满足贝叶斯的疲软条件，并且具有明显的优势，目前广泛用于信息融合，决策分析，模式识别和其他领域。假设宇宙 是否所有命题的集合都在一个假设空间中，而元素在其中U是互斥的;然后U称为识别帧。2^U幂集是由标识框架的所有子集组成的吗U．如果函数m, 2^U->[0,1]，满足公式(4)和(5),然后米（一个的基本概率分配(basic probability assignment, BPA)一个，表示对假设的信任程度一个．

公式(4）表示空集中没有生成支持和公式（5)表示所有假设的信任值之和必须为1。当米（一个) > 0，呼叫一个焦点元素米．将命题的信任函数bel和似然函数pl定义为

根据公式(6)及公式(7)，结合图中的置信区间图4，可以看出信任函数bel（一个)一个是每个子集的BPA的和吗B在一个，表示假设一个是真正信任的程度。的似然函数一个pl (一个)，是所有与之相交的假设的BPA的总和一个并且不是空的，表明疑问的程度一个是真的。对于某个假设一个在识别框架中，其不确定性区间为信任函数和似然值。闭合区间[bel(一个)、pl (一个)]表示假设的不确定性一个．然后将两份独立的证据合并后得到的合并证据，米1,米2,

DS组合公式满足交换律和结合律，可以结合多份独立证据得到更准确的双酚a。的公式,K称为冲突系数，其大小与证据之间的冲突呈正相关。价值越大K，冲突就越大。

在DSBP预测算法中，BPNN仍然是算法的主要部分，其目的是获得多组概率向量，用于DS合成。DS证据理论只需要根据组合规则融合BPNN的输出结果，完全考虑证据之间的潜在关系，并将多组概率向量转换为一组概率向量，以获得更多的结果准确，提高预测准确性。数字4显示DSBP预测模型框架。整个预测过程包括bp神经网络的训练过程、bp神经网络的预测过程和使用DS证据理论融合数据的过程。

整个预测模型包括传统bp神经网络的训练、bp神经网络的预测过程和采用DS证据理论融合数据三个步骤。将以上所得的多个BPNN预测结果归一化，转化为满足DS证据理论条件的基本概率分布。然后利用DS组合公式对数据进行融合，得到唯一的概率分布，最后根据决策规则得到最终的预测结果。

4.仿真结果与性能分析

4．1.老年人跌倒预警结果分析

利用三轴加速度传感器和陀螺仪测量相关的特征值，判断是否发生跌落。轴向加速度传感器可以感知物体的加速度X，Y,Z陀螺仪可以很好地测量物理角的运动。在该系统中，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，然后使用特征值判别算法分析人体是否跌倒，并使用物联网技术为家庭成员和健康专家提供预警。为了对老年人家庭生活中最常见的跌倒风险提供预警，对三轴加速度计的实验采集结果进行了分析。三轴加速度计采集到的老年人各方向加速度如图所示5．

数字5展示了三轴加速度传感器在老年人在家正常行走、有摔倒危险时的实验测试结果。左边的图像正常显示实验结果数据。可以看出，当老年人正常行走时，只有加速度变化在y方向存在，其他方向的加速度值为零。右边的图片是老年人摔倒危险时的实验结果数据。可以看出，当老年人有摔倒的危险时，其加速度z-axis明显增大。同时，0.1也增加了加速度x设在。相反，加速y-axis已显著下降。这说明老人停了下来，倒向一边，这与实际情况是一致的。当系统检测到老年人跌倒信号时，将通过本节所述的物联网系统提供实时预警2通知家人和健康专家

4．2．BPNN预测居家老年人疾病的稳定性分析

为了验证算法的稳定性，首先对常用参数进行初始化，设定学习率(一般选择在0.01 ~ 0.8之间);最大训练次数为200次，均方误差设为0.01，隐层激活函数采用Sigmoid函数。然后确定网络结构。本实验采用三层BPNN结构来预测心脏病。对于输入节点的数量，由于有13个与心脏病相关的因素，所以选择了13个节点，输出节点的数量就是心脏病类型的数量。根据原始数据，模型的输出层节点数为5。在训练BPNN之前，需要初始化各层神经元之间的连接权值和阈值。一般情况下，连接权值和阈值都是随机数。本实验采用[−1,1]之间的随机数作为连接权值和阈值的初始值。进行神经网络训练，直到所有样本都训练好或均方误差达到10⁻⁷；保存权值和阈值，以获得后续实验所需的网络。仿真得到的误差曲线如图所示6．自适应功能测试结果热图如图所示7．

从图中可以看出7局部极小值的大量存在增加了bp神经网络算法寻找全局极小值的难度。从图中可以看出6即经过10次迭代，均方误差达到10⁻⁷，培训结束。

4．3．DSBP预测算法的实验测试结果分析

在验证本文中的疾病预测算法之前，有必要选择疾病数据。本文选择UCI标准数据官方网站上的心脏病数据设置以进行验证。数据包括14个属性，如年龄，性别和胸痛类型。在一些心脏病数据集的原始数据中，表示心脏病类型(0表示无疾病;1-4表示有4种心脏病)。

我们发现数据的年龄属性大多在50岁以上，因此选取该数据集建立预测模型，在预测老年人心脏病方面达到了一定的可靠性。在本实验中，根据数据特征相似、结果相同的原则，将数据集中600个预测数据分为200组，每组3个数据。因此，预测和验证这600条数据相当于对200个被试进行实验，每个被试包含3条数据。根据心脏病类型对200组测试样本进行测试，每种类型40人。数字8统计BPNN的识别率，也称为预测正确率，即正确预测的个数占该类型所有预测数据的比率。其中，BP1表示对样本对象使用第一个数据进行BPNN得到的结果，BP2和BP3相似。通过三个不同的实验验证了证据理论的作用，消除了异常数据带来的不确定性。

本文将在预测准确性和鲁棒性方面将BPNN预测算法与DSBP算法进行比较，以判断算法的优点和缺点。这一体的预测数据全部通过神经网络以获得初步预测结果，然后通过DS证据理论获得融合后的最终概率分布，确定心脏病的类型，并计算预测精度。计算预测精度．此外，比较通过DSBP算法获得的精度率，通过BPNN获得的精度率，用于每个对象的单个数据。

从图中可以看出9通过基于单个数据的神经网络获得的预测结果的准确性显着低于通过使用DS证据理论融合多个数据的BPNN预测结果而获得的预测结果。在提高网络算法之后，DSBP算法对预测精度具有良好的改进。

为了验证算法的鲁棒性，本文在两个预测模型中都设置了一个阈值，规定只有当预测结果大于等于时，预测结果才有效。依次增大阈值，并根据算法预测精度的变化来验证算法的鲁棒性。算法的鲁棒性也反映了算法的准确性。也就是说，某种疾病的确诊程度越高。BP和DSBP预测精度随阈值变化趋势如图所示9．

从图中10，可以看出，随着系统设定的阈值的增大，说明对疾病预测结果的判断要求越来越严格，两种算法的预测精度均呈下降趋势。其中，对于BPNN预测模型，当阈值设置小于0.85时，预测精度较高。但当阈值大于0.85时，预测准确率下降的趋势变快，准确率下降，说明BPNN的稳定性不好，准确率不高。当阈值提高到0.97时，BPNN模型的预测精度仅为0.127，算法不具有鲁棒性。对于DSBP模型，随着阈值的增加，虽然预测准确率呈现一定的下降趋势，但其预测准确率一直保持在较高水平。即使阈值高达0.97,DSBP模型的预测精度为0.825，其鲁棒性显著高于BPNN预测模型。

5.结论

为了防止老年人在家养老时发生事故，本文研究了基于物联网技术的老年人健康信息分析与预警系统。首先，在对现有家庭护理系统研究的基础上，提出了一种基于物联网技术的三层家庭护理监控系统，并设计了系统的总体结构。该系统不仅完成对老年人实时健康数据的监测，还可以根据收集到的数据判断老年人摔倒的风险，并通过物联网技术提供实时预警。同时，基于老年人历史健康数据进行疾病预测，疾病的“早发现、早治疗”对健康监测也很重要。因此，本文选择并分析了疾病预测算法，并对神经网络算法改进的传统BP进行了比较，形成了一种改进的DSBP疾病预测算法。该方法利用DS证据理论对bp神经网络算法的结果进行处理，以获得更准确的预测结果。

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

的利益冲突

作者声明他们没有利益冲突。

致谢

重庆市教委2019年度青年科技攻关计划项目“基于大数据的智能家居养老服务研究与应用”(no. 201710227524);KJQN201903105);基金资助:重庆市科委项目资助项目(5130730723);cstc2018jscx-msybX0163);基于ZigBee无线传感器网络的智能冷库综合监控系统2018年重庆市教委科技攻关计划青年项目(no. 201310527513);KJQN201803101)。

参考

1. “物联网(IoT)在地质灾害防治中的应用、技术和挑战，”IEEE物联网期刊，第7卷，第5期5, pp. 4371-4386, 2019。视图:谷歌学术搜索
2. M. Usak, M. Kubiatko, M. S. Shabbir, O. Viktorovna Dudnik, K. Jermsittiparsert，和L. Rajabion，“基于物联网的医疗保健服务提供:系统和全面的研究”，国际通信系统杂志第33卷第3期2, p. 4179, 2020。视图:出版商的网站|谷歌学术搜索
3. 王敏，李鹏等，“物联网领域知识发展轨迹的追踪:一个主要路径分析”，《管理世界》，2014年第4期。工业信息学学报，第15卷，第5期。12，第6531-6540页，2019。视图:出版商的网站|谷歌学术搜索
4. “网络健康社区中健康信息的隐私问题、影响因素及信息披露意愿”，《中国卫生与健康杂志》，2014年第4期。信息与管理，第55卷，第55期4, pp. 482-493, 2018。视图:出版商的网站|谷歌学术搜索
5. J. K.Jensen，R.Skår和B.Tveit，“介绍了国家预警成绩 - 对医院护士的看法和反应的定性研究”护理开放，第6卷，第2期3，第1067-1075页，2019。视图:出版商的网站|谷歌学术搜索
6. J. C. Ginestra, H. M. Giannini, W. D. Schweickert等，“临床医生对基于机器学习的早期预警系统的感知，旨在预测严重的败血症和败血性休克”,危重病医学，第47卷，第47期。11，第1477-1484页，2019。视图:出版商的网站|谷歌学术搜索
7. C. S. Parshuram, K. Dryden-Palmer, C. Farrell等人，“儿科早期预警系统对住院儿科患者全因死亡率的影响”，《美国医学会杂志》第319卷10, pp. 1002-1012, 2018。视图:出版商的网站|谷歌学术搜索
8. I. Azimi, a . M. Rahmani, P. Liljeberg，和H. Tenhunen，“远程老年人监测物联网:以用户为中心的研究”，环境智能与人性化计算杂志，第8卷，第2期2, pp. 273-289, 2017。视图:出版商的网站|谷歌学术搜索
9. Liu Y.， Zhang L.， Yang Y. et al.，“一种基于云计算的老年人医疗服务框架，”IEEE访问， vol. 7, pp. 49088-49101, 2019。视图:出版商的网站|谷歌学术搜索
10. S. Zeadally和O. Bello的《利用物联网的力量来改善医疗保健》，物联网，第4卷，第4期。2、2019年第100074条。视图:出版商的网站|谷歌学术搜索
11. S. Kang, H. Baek, E. Jung, H. Hwang, and S. Yoo, “Survey on the demand for adoption of internet of things (IoT)-based services in hospitals: investigation of nurses’ perception in a tertiary university hospital,”应用护理研究，第47卷，第18-23页，2019。视图:出版商的网站|谷歌学术搜索
12. D. He, S. Chan和M. Guizani，“移动边缘计算支持的物联网安全”，IEEE通讯杂志第56期8，第56-61页，2018。视图:出版商的网站|谷歌学术搜索
13. M. M. Dhanvijay和S. C. Patil，《物联网:医疗保健中的实现技术及其应用调查》，计算机网络，第153卷，第113-131页，2019年。视图:出版商的网站|谷歌学术搜索
14. Lin S. X.， Liu H. Z.， Chen S. J. et al.，“zigbee无线定位算法的优化与实现”，重拾内在的缺陷，第32卷，第2期5, pp. 396-404, 2017。视图:谷歌学术搜索
15. L. M. Dang, M. J. Piran, D. Han, K. Min, H. Moon，“物联网和医疗保健云计算的调查”，电子产品，第8卷，第2期7，p。768,2019。视图:出版商的网站|谷歌学术搜索
16. P. Panchatcharam和S. Vivekanandan，“医疗保健中的物联网——智能健康和监控、架构、安全分析和数据传输”，国际软件创新杂志，第7卷，第5期2，第21-40页，2019。视图:出版商的网站|谷歌学术搜索
17. I. de la Torre Díez、S. G. Alonso、S. Hamrioui、E. M. Cruz、L. M. Nozaleda和M. A. Franco，“文献中基于物联网的心理健康服务和应用”，医学系统杂志号，第43卷。1，第11页，2019。视图:出版商的网站|谷歌学术搜索
18. S. El Kafhali和K. Salah，“物联网医疗监控系统的性能建模和分析”，专业网络，第8卷，第2期1，pp。48-58,2018。视图:谷歌学术搜索
19. 王斌，孔伟，关华，熊楠楠，“基于门控循环长短期记忆模型的物联网空气质量预测，”IEEE访问，第7卷，第69524-69534页，2019。视图:出版商的网站|谷歌学术搜索
20. M. M. Baig, S. Afifi, H. GholamHosseini，和F. Mirza，“针对老年人的可穿戴传感器和基于物联网的监测应用的系统综述——关注老龄化人口和独立生活，”医学系统杂志号，第43卷。第8页，第233页，2019。视图:出版商的网站|谷歌学术搜索
21. P. P. Ray, D. Dash，和D. De，“物联网边缘计算:调查、电子医疗案例研究和未来方向”，网络与计算机应用学报，第140卷，第1-22页，2019。视图:出版商的网站|谷歌学术搜索

版权

版权所有©2021易茂等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。