论文部分内容阅读
在我国,人口老龄化的趋势越来越严重,健康也成为了全社会最受关注的话题。乡镇区域,医疗资源的分布不均也造成了老年人看病难这一情况。很多的病症由于发现的晚延误了治疗,造成了很多的遗憾。近年来,得益于移动互联网和医疗的发展,利用便携的可穿戴设备进行日常的健康监测得到普及。通过可穿戴设备对身体状况进行监测,并运用数据分析的方法进行提前诊断及预警将成为移动医疗的一大趋势。在影响老年人健康的主要疾病中,帕金森病是一种很不容易被发现的神经系统变性疾病。患者在患病的早期,会出现躯体静止时上肢规律性的震颤。此现象也成为了医生对患帕金森早期的患者诊断的重要的依据。本文在深入了解深度学习相关技术的基础上,实现了现有的基于BP神经网络的帕金森震颤识别算法,鉴于其识别率不高,重点研究了 CNN和RNN的两种神经网络的特点并将其应用于帕金森震颤识别,取得的主要研究成果如下:(1)根据CNN在图像识别领域取得的优异效果,本文将采集到的患者的加速度数据进行图像化操作,将其生成的语谱图作为CNN的输入并进行训练,经过多次的实验调整模型参数,最后得到的识别效果好于现有的基于BP神经网络的帕金森震颤识别算法,震颤识别率达到了 84.4%。(2)利用RNN在处理时序数据的优势。将收集得到的加速度数据集以时序分段形式放入RNN进行训练,同样经过若干次的实验调整模型参数,最后得到的识别效果介于传统算法和基于CNN的帕金森震颤识别算法之间,震颤识别率达到了 74.8%。(3)将识别效果最好的基于CNN的帕金森震颤识别算法移植到Android移动端,设计并实现帕金森病症监测预警系统,利用可穿戴的传感器收集用户加速度数据,通过BLE将数据传输至客户端,在客户端以JNI的形式调用TensorFlow的API,实现在Android客户端对用户震颤现象的识别,进而给出用户患有帕金森的可能性大小。从设计到实现分模块对系统作详细介绍,最后通过系统测试验证系统的可靠性和适用性。