宮繼兵的《可穿戴健康監測系統數據融合》從 無線傳感器網絡數據融合著手，側重介紹可穿戴健康 監測系統數據融合的新技術、新方法。與傳統的傳感 器網絡相比，大規模復雜傳感器網絡具有節點類型* 多、智能性要求*高、系統復雜性*強等特點。
本書從以下方面展開介紹：①闡述新的多偏好驅 動的傳感器網絡數據融合機制/模型；②給出節點上 面向數據級融合的輕量級自適應時間序列特征抽取機 制；③介紹面向決策級融合的大規模傳感器網絡統一 建模及分析方法；④介紹大規模醫療社會網絡；⑤醫 療社會網絡醫生推薦模型的研究。
本書可作為高等院校計算機專業研究生和相關教 師的參考資料，也可供從事無線傳感器網絡數據融合 、可穿戴系統和社會網絡的數據融合、數據挖掘及分 析的研究、開發和應用的科研人員和工程人員閱讀。
序
前言
第1章 緒論
1.1 可穿戴健康監測系統
1.1.1 概念定義
1.1.2 統一命名
1.1.3 系統架構
1.1.4 發展現狀
1.1.5 未來展望
1.2 研究背景
1.3 研究意義
1.4 問題分析
1.4.1 傳感器網絡的應用特征和科研特點
1.4.2 傳感器網絡數據特點
1.4.3 存在問題
1.5 面臨挑戰
1.6 可穿戴健康監測系統數據融合研究內容
1.7 與傳統無線傳感器網絡數據融合的區別
1.8 數據融合未來展望
1.8.1 發展趨勢
1.8.2 物聯網中數據融合
1.8.3 海計算中數據融合
1.9 本書內容
1.10 未來研究
1.11 本章小結
參考文獻
第2章 傳感器網絡數據融合關鍵技術研究綜述
2.1 傳感器網絡數據融合方法研究
2.1.1 數據融合的定義和原琿
2.1.2 數據融合的應用及特點
2.1.3 數據融合的技術/算法
2.1.4 數據融合與各協議層的關系
2.1.5 數據融合在各協議層的實現
2.1.6 數據融合中信息的類型
2.2 數據融合模型
2.3 數據融合的分類
2.4 數據融合當前研究熱點
2.5 數據融合研究現狀及代表性工作
2.5.1 研究現狀
2.5.2 代表性工作
2.6 本章小結
參考文獻
第3章 多偏好驅動的傳感器網絡數據融合模型
3.1 MPD。Model產生的背景
3.1.1 傳感器網絡對數據融合模型的需求
3.1.2 傳感器網絡應用對智能性的需求
3.1.3 歷史數據在融合中的作用
3.1.4 傳感器網絡物理模型的驅動
3.2 相關研究
3.3 多偏好驅動的傳感器網絡數據融合模型
3.3.1 傳感器網絡系統描述
3.3.2 融合模型設計依據
3.3.3 融合模型提出及描述
3.3.4 融合模型實例說明
3.4 偏好信息量化方法
3.5 模型評估方法及指標體系
3.5.1 非參數檢驗
3.5.2 基于算法分析與機器學習的評價指標?
3.5.3 基于JDL模型的評價指標
3.6 模型驗證及評估
3.6.1 實驗設置
3.6.2 偏好信息影響權重有效性驗證
3.6.3 與基線方法對比評估
3.7 MPD.Model的優點及特色
3.7.1 MPD-Model的優點
3.7.2 MPD.Model的特色
3.8 本章小結
參考文獻
第4章 面向數據級融合的輕量級自適應特征抽取技術
4.1 特征抽取面臨的問題及挑戰
4.1.1 感知參數的多樣性及模式復雜性
4.1.2 傳感器網絡低信噪比現象及原因
4.2 相關研究
4.3 數據關聯
4.4 FEA算法
4.4.1 算法自適應設計的依據
4.4.2 算法思想
4.4.3 信標特征點發現
4.4.4 候選特征點標識
4.4.5 正式特征點選擇
4.5 數據屬性決策
4.6 FEA算法復雜度分析
4.7 FEA中自適應參數的有效性驗證
4.7.1 自動計算自適應參數有效性驗證
4.7.2 先驗知識自適應參數有效性驗證
4.8 FEA算法的性能評估
4.8.1 FEA算法整體有效性驗證
4.8.2 FEA算法性能評估
4.9 本章小結
參考文獻
第5章 基于加權平均法的分布式多偏好特征級融合算法
5.1 相關研究
5.2 特征關聯
5.3 多源參數融合影響權重的偏好分析
5.4 MFA算法
5.5 基于SvM的特征決策算法
5.6 TFD.Pattem：一種新的時間序列模式設計及說明
5.7 實驗評估
5.7.1 MFA算法融合有效性評估
5.7.2 MFA算法降耗比評估
5.7.3 MFA性能評估
5.8 本章小結
參考文獻
第6章 面向決策級融合的基于因子圖模型的健康狀態預測方法
6.1 決策級融合問題產生背景
6.1.1 研究動機
6.1.2 面臨挑戰
6.1.3 方法貢獻
6.2 算法設計依據及說明
6.3 相關研究
6.4 基于TS-FGM的決策關聯
6.4.1 問題定義
6.4.2 TS-FGM
6.5 面向決策級融合的TS-FGM學習算法
6.6 人體健康狀態預測/檢測
6.7 實驗評估
6.7.1 實驗設置
6.7.2 預測性能
6.7.3 與基線算法對比
6.8 本章小結
參考文獻
第7章 大規模醫療社會網絡
7.1 引言
7.2 產生背景
7.3 研究意義
7.4 概念說明
7.4.1 概念定義
7.4.2 實例說明
7.4.3 PDhms：一個真實的醫療社會網絡節點
7.4.4 EasiCPR：數據融合關鍵技術應用驗證系統
7.5 國內外研究現狀及發展動態
7.5.1 國內外研究現狀
7.5.2 國內外發展動態
7.6 研究內容及關鍵科學問題
7.6.1 研究內容
7.6.2 關鍵科學問題
7.6.3 創新點
7.7 技術方案及可行性分析
7.7.1 技術方案
7.7.2 可行性分析
7.8 已有研究基礎
7.9 研究工作條件
7.10 本章小結
參考文獻
第8章 醫療社會網絡醫生推薦模型的研究
8.1 引言
8.2 相關研究
8.3 模型架構
8.4 基于概率因子圖模型醫生一病人關系挖掘
8.5 醫生一病人社會關系優化
8.6 用于計算醫生權威度的特征抽取
8.7 基于RankingSvM的醫生權威度排序
8.8 基于偏好的個性化醫生推薦模型
8.9 基于隨機游走模型的醫生推薦方法
8.9.1 轉移概率矩陣定義
8.9.2 基于隨機游走模型的節點排序推薦算法
8.10 實驗及評估
8.10.1 醫生―病人關系挖掘評估
8.10.2 基于RankingSVM算法的有效性
8.10.3 醫生權威度排名評估
8.10.4 IDR-Model推薦性能評估
8.10.5 RWR-Model推薦性能評估
8.11 本章小結
參考文獻
新書資訊