在第五代移动通信(the Fifth Generation Mobile Communication System,5G)时代,大规模机器类通信(massive Machine Type Communication,mMTC)将广泛应用到各个垂直行业。大规模机器类通信中设备种类多样,复杂度低,连接密度大,可以支持需要大规模部署MTC设备的行业应用,比如医疗体域网。但是大规模MTC设备组成的医疗体域网络中,由于医疗传感设备体积小,资源受限等原因容易出现故障节点。故障节点不仅导致网络中数据传输受阻,而且会产生偏离生命体征值的错误测量即故障数据。这对于依靠数据进行病人生理状况判断的医疗远程诊断或医疗监测来说,将.会造成极其恶劣的影响,甚至威胁到病人的生命安全。因此,医疗体域网中的故障检测技术受到了相关领域学者的关注。本文面向基于大规模机器通信的医疗体域网场景,围绕医疗体域网中出现的故障数据问题展开研究,提出了一种基于分布式故障检测的医疗网络分簇方案,提出了利用生理数据相关性进行故障数据预测,以及进行故障数据分类的故障检测方案,在降低虚警率的同时提高了故障检测准确率。本文的主要研究内容如下:首先,针对医疗体域网中MTC设备能量受限问题,面向mMTC的医疗体域网场景,提出了一种基于分布式故障检测的医疗网络分簇方案,其中对能耗敏感型的穿戴式传感器和植入式传感器进行了优先级划分工作,并根据转发设备的复杂度进行了中继转发方式的选择,以降低医疗传感器在分簇工作以及数据转发中的能耗。其次,针对故障数据检测以及故障数据被剔除后生理数据缺失的问题,提出基于高斯回归过程的故障数据检测方案。利用生理数据相关性,预测相应的生理指标值,并根据预测结果与动态阈值进行对比,对故障数据实现分类。该方案考虑了检测结果对于医疗诊断的影响,将生理参数真实值尽可能地还原,并对病患的身体状况依据生理数据做了初步判断。仿真结果表明,该故障检测技术方案能够提高检测准确率并降低虚警率。最后,针对故障数据特征复杂以及故障数据先验知识不足的问题,提出了基于高斯混合模型的故障数据检测方案。在方案中,采用了高斯混合模型聚类算法,并调整聚类算法参数分类出具有不同数据特征的故障数据,以达到提高检测精确度的目的。此外,利用数据聚类确定了不同故障类型的概率值,对结果分类为故障和非故障概率值相近的向量进行标注,做进一步判断处理,以提高检测准确率。仿真结果表明合适的聚类参数能够增加正例概率值,且系统检测准确率与单纯的预测算法相比得到了提升。