基于无监督的个体运动行为关联检测及异常判断

摘要

随着躯感网(BSN)可穿戴设备及相关技术的迅速发展，监控个人日常活动的可穿戴设备越来越多。通过对这些设备收集的数据处理，实现无监督的状态监测和异常状态判断，也引起了理论和应用领域的关注。由此本文设计了一种基于模糊聚类和Apriori算法的无监督学习算法，并开发完成了相应监测系统。系统通过自我学习，发现个体身体状态变化规律，了解人体运动状态和生理健康的关联关系，在无专业医学监督的情形下完成身体运动行为与生理健康特征的关联检测和异常状态的判断。系统通过收集前期多个用户数据，考虑数据的多维特征来进行关联规则的挖掘，动态形成个体日常运动、生理数据的关联规则，并能基于所挖掘的关联规则进行异常判断。 本文首先应用模糊聚类(FCM)技术对数据进行数据预处理。即将个体运动数据，如运动状态、运动时间、运动距离、运动步数，以及健康数据，如心率、呼吸率、脉搏率等这些数值型数据，通过模糊聚类技术实现从数字到类别的转化，以方便下一步关联规则的挖掘。模糊聚类算法具有计算复杂度低，收敛速度快等优点。聚类结果可以根据数据的增加自我调整，达到无监督下通过系统自我学习完成类别划分的目的。 在聚类完成后，系统运用模糊的Apriori算法在数据集中挖掘关联规则。为减少模糊频繁项集生成关联规则的规模，降低运算量，本文根据个体运动健康数据的特点，在挖掘出的模糊频繁项集中，划分规则的前项集合和后项集合，根据置信度阈值约束，筛选出多维特征的强关联规则，并根据这些规则进行无监督异常判断。同时为适应数据量不断递增的需求，本文还设计了增量式学习算法，实现随数据变更的关联规则更新。 最后，本文介绍了实现个体运动健康关联检测和异常判断系统的技术框架，通过数据视图展示用户的数据走势，并根据运动行为数据和生理健康数据形成用户的关联规则，然后发现基于关联规则库的用户异常状态，系统在初步应用中展现出较好的效果。系统的平均误判率低于4.66%，平均漏判率低于9.32%。

目录

第一个书签之前