基于bia人体健康监测和智能评价系统的研究

《基于bia人体健康监测和智能评价系统的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、合肥工业大学博士学位论文

2、1lIIII11111ItIIIIIIIitltillIlllY2291315基于BM的人体健康监测与智能评价系统研究合肥工业大学2013年3月ADissertationSubmittedtoHefeiUniversityofTechnologyfortheDegreeofDoctorofPhilosophyResearchonHumanhealthMonitoringandIntelligentEvaluationSystemOnBIAByLl。UW．eiLWelSupervisedbyProf．Z

3、hangChongwei&Prof．WangJianpingHefeiUniversityofTechnologyHefei，Anhui，P．R．ChinaⅣ认R．2013合肥工业大学本论文经答辩委员会全体委员审查，确认符合合肥工业大学博士学位论文质量要求。主席：答辩委员会签名(工作单位、职称)魏谗嘲柳伏，瓠摄导师：象《．力撇踢咖巧一王煦法吴先良孙怡宁陈军宁李晓风匿名吴先良孙怡宁陈军宁李晓风同行评议专家名单中国科学技术大学合肥师范学院中国科学院合肥智能所安徽大学中国科学院合肥研究院同行评阅专家名单答辩委员会名单中国科学技术大学

4、合肥师范学院中国科学院合肥智能所安徽大学中国科学院合肥研究院教授、博导研究员、博导教授、博导研究员、博导教授、博导研究员、博导教授、博导研究员、博导答辩委员会主席中国科学技术大学教授、博导独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得金胆王些太堂或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：割冲

5、签字日期：砂解孕月／多日学位论文版权使用授权书本学位论文作者完全了解金旦巴工些盍堂有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权—金胆王些太堂可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。(保密的学位论文在解密后适用本授权书)学位论文作者签名．荆弗签字日期：0杉年午月／‘日学位论文作者毕业去向：工作单位：通讯地址：⋯名：唔签字日期≯莎年歹月即日电话：邮编：摘要系统动态的掌握个人身体机能，了解身体健康

6、状况，树立健康意识是目前国家卫生健康领域的一个重要课题。生物电阻抗分析技术是一项无创、廉价、安全、无毒无害、操作简单的现代医疗检测方法，在人体健康信息的获取与监测中具有广阔的应用前景。体成分和内脏脂肪含量的改变是人体健康状态发生变化的重要诱因，也是普通人群易于分析的两个重要健康指标。传统的医疗检测手段操作复杂、检测成本较高，有的甚至会对人体带来一定伤害。应用生物电阻抗分析技术进行体成分、内脏脂肪含量的测量，并进行健康评估是实现个体健康状态监测和预警的有效手段。然而由于生物组织阻抗包含的生理状态信息并不充分，与人体体成分、内脏脂

7、肪含量相关的关键参数较多，人体健康状态的科学分析过程中存在较多不确定性因素等问题，目前个人对健康状态的认识来源仍然是医学体检。如何利用人体生物电阻抗中带有的生理、病理信息，研究基于生物组织电特性和机器学习理论的体成分、内脏脂肪含量的测量模型并进行人体健康状态评价的新方法，具有重要意义。本课题的关键问题是在人群样本有限、阻抗信号资源有限、健康特征信息关系复杂条件下，通过科学的评价推理过程得到客观的结论。论文在对生物电阻抗技术理论研究的基础上，通过对人群样本相关数据的分析，得到体成分、内脏脂肪含量与样本个体参数的统计关系，利用机器

8、学习领域的研究成果建立预测模型，构建了基于智能结构的健康状态云模型评价系统，主要研究内容如下：1．对人体生物电阻抗测量原理及方法进行了研究。包括人体生物电阻抗测量原理，生物组织电阻抗等效模型、频率特性，基于生物电阻抗的体成分和内脏脂肪面积相关的组织阻抗测量方法等问题，并对测量过程中影响结果的因素做出分析总结。2．对人体体成分预测模型进行了研究。通过样本人群数据的统计，分析了体成分与个体年龄、身高及性别的关系，针对阻抗测量过程中出现的噪声，设计了一种基于中值数绝对偏差的数据滤波器，消除了测量数据中由于突变性扰动或尖脉冲干扰导致的

9、过失数据和随机噪声；将KLPS回归算法应用于人体TBW和FFM的预测，解决了特征数据可能存在的共线性和非线性：针对阻抗信息的局限性，采用相似性局部样本集进行训练学习，针对每个新样本单独建模并做出预测；通过定义训练样本集与待测样本的相似度，在对待测样本特征提取的同时进行KPLS