越来越多的可穿戴传感器用于监测身体的各种重要指标,如血压,血糖或心率,为个体实时监测和预测患者的健康状况开辟了前所未有的机会。然而,对于大规模健康监测数据的采集、传输、存储、管理和利用仍然面临着很多问题。将大数据处理技术以及机器学习相关算法应用到健康监测领域,不仅能够实现各类健康监测数据的无缝衔接、海量数据弹性存储以及高效分析利用,而且还能够实现数据发布共享。借鉴三种典型大数据处理模式(批量处理、流式计算、即时查询),以Kafka消息中间件为中枢,结合目前主流的大数据技术框架HBase、Spark、Zookeeper等设计了一个面向服务的、可扩展的健康监测大数据平台,有效地实现了健康监测数据的采集、传输、存储和共享。针对Kafka自身Offset管理存在的弊端,分别使用Redis和HBase作为外部存储,优化Kafka Offset的管理,提高系统性能。为了解决HBase对非键列的查询效率非常低的问题,提出查询效率优化方法。本文主要工作如下:1、详细研究了Kafka分布式消息中间件的功能、高性能和可靠性原理,基于Kafka的高性能数据传输的特性,利用Kafka Connect数据传输工具和HBase数据库,实现了数据采集、传输和存储。2、基于Kafka的发布-订阅模式,整合Spark Streaming流式处理框架和Spark平台的MLlib扩展库,设计健康监测数据查询和健康状态监测方法,实现数据共享。3、引入Redis和HBase外部存储优化Kafka Offset的管理,对HBase查询效率进行二级索引和缓存优化,搭建平台的测试环境,对系统性能进行测试和调优,验证了平台的可用性及可靠性。