可穿戴健康監(jiān)測系統(tǒng)數(shù)據(jù)融合

序
前言
第1章 緒論
1．1 可穿戴健康監(jiān)測系統(tǒng)
1．1．1 概念定義
1．1．2 統(tǒng)一命名
1．1．3 系統(tǒng)架構
1．1．4 發(fā)展現(xiàn)狀
1．1．5 未來展望
1．2 研究背景
1．3 研究意義
1．4 問題分析
1．4．1 傳感器網(wǎng)絡的應用特征和科研特點
1．4．2 傳感器網(wǎng)絡數(shù)據(jù)特點
1．4．3 存在問題
1．5 面臨挑戰(zhàn)
1．6 可穿戴健康監(jiān)測系統(tǒng)數(shù)據(jù)融合研究內(nèi)容
1．7 與傳統(tǒng)無線傳感器網(wǎng)絡數(shù)據(jù)融合的區(qū)別
1．8 數(shù)據(jù)融合未來展望
1．8．1 發(fā)展趨勢
1．8．2 物聯(lián)網(wǎng)中數(shù)據(jù)融合
1．8．3 海計算中數(shù)據(jù)融合
1．9 本書內(nèi)容
1．10 未來研究
1．11 本章小結
參考文獻
第2章 傳感器網(wǎng)絡數(shù)據(jù)融合關鍵技術研究綜述
2．1 傳感器網(wǎng)絡數(shù)據(jù)融合方法研究
2．1．1 數(shù)據(jù)融合的定義和原琿
2．1．2 數(shù)據(jù)融合的應用及特點
2．1．3 數(shù)據(jù)融合的技術/算法
2．1．4 數(shù)據(jù)融合與各協(xié)議層的關系
2．1．5 數(shù)據(jù)融合在各協(xié)議層的實現(xiàn)
2．1．6 數(shù)據(jù)融合中信息的類型
2．2 數(shù)據(jù)融合模型
2．3 數(shù)據(jù)融合的分類
2．4 數(shù)據(jù)融合當前研究熱點
2．5 數(shù)據(jù)融合研究現(xiàn)狀及代表性工作
2．5．1 研究現(xiàn)狀
2．5．2 代表性工作
2．6 本章小結
參考文獻
第3章 多偏好驅動的傳感器網(wǎng)絡數(shù)據(jù)融合模型
3．1 MPD。Model產(chǎn)生的背景
3．1．1 傳感器網(wǎng)絡對數(shù)據(jù)融合模型的需求
3．1．2 傳感器網(wǎng)絡應用對智能性的需求
3．1．3 歷史數(shù)據(jù)在融合中的作用
3．1．4 傳感器網(wǎng)絡物理模型的驅動
3．2 相關研究
3．3 多偏好驅動的傳感器網(wǎng)絡數(shù)據(jù)融合模型
3．3．1 傳感器網(wǎng)絡系統(tǒng)描述
3．3．2 融合模型設計依據(jù)
3．3．3 融合模型提出及描述
3．3．4 融合模型實例說明
3．4 偏好信息量化方法
3．5 模型評估方法及指標體系
3．5．1 非參數(shù)檢驗
3．5．2 基于算法分析與機器學習的評價指標？
3．5．3 基于JDL模型的評價指標
3．6 模型驗證及評估
3．6．1 實驗設置
3．6．2 偏好信息影響權重有效性驗證
3．6．3 與基線方法對比評估
3．7 MPD．Model的優(yōu)點及特色
3．7．1 MPD-Model的優(yōu)點
3．7．2 MPD．Model的特色
3．8 本章小結
參考文獻
第4章 面向數(shù)據(jù)級融合的輕量級自適應特征抽取技術
4．1 特征抽取面臨的問題及挑戰(zhàn)
4．1．1 感知參數(shù)的多樣性及模式復雜性
4．1．2 傳感器網(wǎng)絡低信噪比現(xiàn)象及原因
4．2 相關研究
4．3 數(shù)據(jù)關聯(lián)
4．4 FEA算法
4．4．1 算法自適應設計的依據(jù)
4．4．2 算法思想
4．4．3 信標特征點發(fā)現(xiàn)
4．4．4 候選特征點標識
4．4．5 正式特征點選擇
4．5 數(shù)據(jù)屬性決策
4．6 FEA算法復雜度分析
4．7 FEA中自適應參數(shù)的有效性驗證
4．7．1 自動計算自適應參數(shù)有效性驗證
4．7．2 先驗知識自適應參數(shù)有效性驗證
4．8 FEA算法的性能評估
4．8．1 FEA算法整體有效性驗證
4．8．2 FEA算法性能評估
4．9 本章小結
參考文獻
第5章 基于加權平均法的分布式多偏好特征級融合算法
5．1 相關研究
5．2 特征關聯(lián)
5．3 多源參數(shù)融合影響權重的偏好分析
5．4 MFA算法
5．5 基于SvM的特征決策算法
5．6 TFD．Pattem：一種新的時間序列模式設計及說明
5．7 實驗評估
5．7．1 MFA算法融合有效性評估
5．7．2 MFA算法降耗比評估
5．7．3 MFA性能評估
5．8 本章小結
參考文獻
第6章 面向決策級融合的基于因子圖模型的健康狀態(tài)預測方法
6．1 決策級融合問題產(chǎn)生背景
6．1．1 研究動機
6．1．2 面臨挑戰(zhàn)
6．1．3 方法貢獻
6．2 算法設計依據(jù)及說明
6．3 相關研究
6．4 基于TS-FGM的決策關聯(lián)
6．4．1 問題定義
6．4．2 TS-FGM
6．5 面向決策級融合的TS-FGM學習算法
6．6 人體健康狀態(tài)預測/檢測
6．7 實驗評估
6．7．1 實驗設置
6．7．2 預測性能
6．7．3 與基線算法對比
6．8 本章小結
參考文獻
第7章 大規(guī)模醫(yī)療社會網(wǎng)絡
7．1 引言
7．2 產(chǎn)生背景
7．3 研究意義
7．4 概念說明
7．4．1 概念定義
7．4．2 實例說明
7．4．3 PDhms：一個真實的醫(yī)療社會網(wǎng)絡節(jié)點
7．4．4 EasiCPR：數(shù)據(jù)融合關鍵技術應用驗證系統(tǒng)
7．5 國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)
7．5．1 國內(nèi)外研究現(xiàn)狀
7．5．2 國內(nèi)外發(fā)展動態(tài)
7．6 研究內(nèi)容及關鍵科學問題
7．6．1 研究內(nèi)容
7．6．2 關鍵科學問題
7．6．3 創(chuàng)新點
7．7 技術方案及可行性分析
7．7．1 技術方案
7．7．2 可行性分析
7．8 已有研究基礎
7．9 研究工作條件
7．10 本章小結
參考文獻
第8章 醫(yī)療社會網(wǎng)絡醫(yī)生推薦模型的研究
8．1 引言
8．2 相關研究
8．3 模型架構
8．4 基于概率因子圖模型醫(yī)生一病人關系挖掘
8．5 醫(yī)生一病人社會關系優(yōu)化
8．6 用于計算醫(yī)生權威度的特征抽取
8．7 基于RankingSvM的醫(yī)生權威度排序
8．8 基于偏好的個性化醫(yī)生推薦模型
8．9 基于隨機游走模型的醫(yī)生推薦方法
8．9．1 轉移概率矩陣定義
8．9．2 基于隨機游走模型的節(jié)點排序推薦算法
8．10 實驗及評估
8．10．1 醫(yī)生-病人關系挖掘評估
8．10．2 基于RankingSVM算法的有效性
8．10．3 醫(yī)生權威度排名評估
8．10．4 IDR-Model推薦性能評估
8．10．5 RWR-Model推薦性能評估
8．11 本章小結
參考文獻