多源数据融合的可穿戴设备体质健康监测模型研究*

肖利群，黄 未

（1.四川工商学院计算机学院，成都 611745；2.四川省智慧城乡大数据应用研究会，成都 610090）

0 引言

近年来，随着生活水平的不断提升，国民身体素质以及健康情况得到了广泛关注，特别是对于体质健康的重视度不断提升，可穿戴设备逐渐成为人们监测自我身体健康的主要设备与途径。随着此类设备的不断开发与完善，设备可采集的身体信号数据种类激增，如何对不同量纲数据展开处理成为体质健康监测过程中的重要问题[1-2]。在对多种技术进行综合分析后，选择多源数据融合技术作为本次研究中的核心技术，并对可穿戴设备体质健康监测模型展开优化。这是一种应用数据处理技术，将采集到的数据综合在一起，并对信息进行统一评价的方法。使用此技术可对可穿戴设备中的不同数据进行综合处理，得到可统一分析的信息，根据此信息实现人体健康的实时监测与分析。

综上所述，通过对人体体质健康数据进行实时监测，使监测者可以有效地掌握自己身体状态的实时情况，从而实现对人体健康的实时干预与指导。而通过分析人体监测得到的数据，结合体质健康指标，构建人体体质健康评价模型，实现对监测者体质健康的评价过程，达到对监测者进行个性化指导的目标，同时对监测者的身体素质作出评价[3-4]。本文基于多源数据融合技术以及可穿戴设备开发技术，对人体素质健康数据的处理与分析提出了一种更为先进的模型，具有一定的应用基础与较好的发展前景。

1 基于多源数据融合的可穿戴设备体质健康监测模型构建

1.1 可穿戴设备体质数据采集及预处理

本文将可穿戴设备作为研究对象，当前可供使用的数据采集方法与此设备的适配度相对较低，为此在本次研究中对可穿戴设备体质数据采集方式展开优化。

根据人体体质健康数据的类别与特征，将原始人体体质信息设定为信号的形式，通过提高处理与提取的方式，得到关键数据。在可穿戴设备中增设数字电路，利用二进制计数器完成人体指标的信号计数工作，并将其整合为分钟数据包的形式进行显示与输出[5]。为降低此方案的实施难度，在设备中增加相应的控制器，通过此控制器掌握数据的采集过程，将采集到的数据整合到预设的数据库中，使用多源数据融合技术对此部分数据进行预处理，并将处理后的数据作为后续人体体质健康监测的主要内容。

在数据预处理过程中，首先对数据进行清理，剔除可穿戴设备获取到的“异常数据”，利用多源数据处理技术，实现“异常数据”的转化与清洗，根据当前数据分析要求以及人体监测数据处理要求，将数据整合为可供处理的形式，以此提升数据质量。针对采集到的数据特征，将数据清洗手段设定如下：划分原始数据集中的噪声数据以及与体质监测中无关的数据；“异常数据”转化与清洗；重复数据删减；数据类型标准化处理。为了更好地完成数据清理过程，将数据清理方式设定为有监督过程，在可穿戴设备研发领域的指导下，分析采集到的数据中的异常部分，去除明显的错误以及重复数据，填补数据中的缺失值，得到高质量、可供分析的数据[6-7]。

将清洗处理后的数据转化为可供分析使用的数据形式，在保证有效数据量的基础上，提升数据质量，对数据进行规范化、归纳以及切换等操作。同时对数据进行统计分析，使用切比雪夫定理[8]，根据数据属性构建每个数据的置信度，剔除数据中的不可信数据。对本环节中的数据处理部分进行整合，并使用此部分技术完成数据预处理工作，将此部分数据作为后续模型构建中的数据来源与基础。

1.2 体质健康监测模型构建

在可穿戴设备数据存储过程中，使用云存储技术作为主要的数据存储技术[9-10]。同时，将此技术引入到可穿戴设备的数据层中，提升数据存储与管理质量。根据此部分数据，确定人体健康情况，构建健康监测模型。在本次研究中，将健康监测模型通过马尔科夫模型的形式体现。根据已处理的人体数据，以及指定时间内的历史数据，对当前的人体体质健康状态进行预测，如出现健康异常情况时，及时发出预警。

对于采集到人体数据随机组An，在任意时刻n，其表示的人体体质状态为αn，且其在n＋i时刻表示人体体质状态与An相关，则有：

其中，an∈αn，则An可称为马尔科夫链。根据此公式可对当前人体体质健康状态进行分析，并由此得到实时监测结果。根据实时监测结果进行体质健康评价，根据以往设定的体质健康评价指标，构建相应的评价模型，对此模型评价结果进行划分，确定体质健康等级[11-12]。如健康等级相对较低时，通过可穿戴设备及时发出警告，实现健康预警。

对上文中设定的体质数据采集处理方法、体质健康监测模型以及健康等级划分方法进行整合，至此，基于多源数据融合的可穿戴设备体质健康监测模型构建完成。

2 实验论证分析

针对本次研究中提出的基于多源数据融合的可穿戴设备体质健康监测模型，在模型构建完成后，设计实验论证环节对此模型的使用效果加以分析。

2.1 实验方案设计

在本次研究中共设定10台可穿戴设备对测试者进行体质健康数据采集，将此部分数据作为本次实验过程中的数据来源。使用此部分数据构建体质健康监测模型，同时选择合适的指标对监测模型的使用效果以及性能进行分析。

在多次选择与分析后，将指标设定为数据质量以及健康预警误报率。模型构建过程中的数据质量体现为异常数据的剔除比率，以此指标确定模型的数据处理能力以及模型搭建的可靠性。在本次实验中为提升实验结果的可靠性，选择3种不同核心技术的当前可用监测模型与文中提出的多源数据模型进行对比。

2.2 实验结果分析

在本次实验过程中共得到两组实验结果，具体如表1～2所示。

表1 健康监测模型数据处理质量

对上述数据进行分析后可以看出，当可穿戴设备采集量为固定值时，多源数据模型的数据采集质量与处理质量相对较高，在一定程度上可保证监测模型的使用效果，提升监测结果的可靠性。与此模型相比，实验中使用的3种监测模型数据处理质量相对较差，在处理的过程中需要剔除大量的数据方可进行后续的处理。此种处理方法降低了可使用数据量，易导致监测结果异常的情况出现。综合上述分析结果可以确定，多源数据模型的数据质量以及模型构建质量优于当前使用中的模型。

对表2中数据进行分析后可以看出，在本指标的实验过程中，多源数据模型的健康预警误报率较低，说明此模型可对人体进行高质量的健康管理。反观其他3种检测模型，人体健康误报率相对较高，使用此种模型对于可穿戴设备的使用体验具有一定的影响，为此在日后的研究中应多使用文中提出的多源数据模型作为可穿戴设备的数据处理以及健康监测模型。

表2 可穿戴设备健康预警误报率

将上述两部分实验结果进行综合处理后，得到了本次实验的最终结果：多源数据融合技术可应用到体质健康监测模型中，使用此技术可提升模型的数据处理能力以及监测结果的可靠性。

3 结束语

综上所述，利用智能穿戴设备，不仅可以快速获取人类自身或外部信息，还可以提升处理信息的效率。在可穿戴设备以及数据处理技术不断发展的今天，基于多源数据融合的可穿戴设备体质健康监测模型应运而生，此模型在当前模型的基础上有效解决了模型质量较差以及监测结果可靠性较差的问题，取得了相应的研究成果。由于时间上的限制，此模型在部分领域还存在一些问题有待解决，在日后的研究中将使用更加先进的技术弥补此模型的不足。希望通过此模型，为人体健康监测以及可穿戴设备的研发提供帮助。