1. 研究目的与意义（文献综述）

“互联网 ”时代的到来促进了互联网对传统行业的渗透和改变，每一个传统行业都孕育着“互联网 ”的机会，医疗产业同样也不例外。与此同时，随着社会的飞速发展，科学技术不断提升，人们物质生活水平的不断提高，越来越多的人不断提升对于自身健康的关注度，越来越多的人希望通过更加便捷的方式来监测自身健康的变化。尤其在少子化的现代，一款既能提供高精确度和可信度又能便于用户使用的设备或是软件占有很重要的地位。监测用户自身健康状态和指标的实现主要包含了监测及获取数据和对数据进行算法判别两个过程。

在软件的监测和收集数据模块中，目前国内外主流的健康监控设备绝大多数以穿戴一体式的硬件装备为主，这样的成套设备往往由于传感器繁多而显得过于笨重，因此很难得到多数用户的青睐，同样也很难得到推广。相反，很多开发者针对手机开发出了一些所谓的“健康软件”，但是绝大多数基于手机的健康监控软件在功能上很难达到人们的期望，因为通过手机获取到的信息量非常有限，即使获取了相应的数据，往往误差也是非常大的，在这样的前提下，进行数据的加工和处理就会显得力不从心了。

对于软件的数据算法判别的实现过程，目前国内外在健康数据判别中主要以直接获取到的基本数据进行医学运算和判别为主，这个过程的实现原理是首先建立比较常见的人体健康模型，将从用户端获取到的数据与模型进行比对并且得出结论。这种预先建立模型的思想所存在的主要问题是算法拥有一个前提条件：人们根据自己已有的知识预先对健康和不健康进行了分类判别。然而，真实的情况可能是当前人们未知的，或者用户群体中存在少量个例，那么此时的模型判别方法的准确性便难以保证。如果使用机器学习的算法进行分类，例如经典的机器学习算法——knn算法，目前很少使用这种算法的理由是knn算法属于懒惰算法，对测试样本分类时的计算量大，内存开销大，评分慢. 可解释性较差，无法给出决策树那样的规则。而且knn算法必须保存全部的数据集，如果训练数据集很大，那么就需要耗费大量的存储空间。此外，针对人体健康数据的分类过程，其存在一个明显的不足之处是对于不相关的特征非常敏感，获取到的数据本身非常有限，如果不相关特征起到主导地位，那么数据分析的有效性很难得到保证。

2. 研究的基本内容与方案

本毕业设计研究的基本内容是利用微软手环sdk实现独立的手环数据接口，进行客户端图形化界面开发，健康状况分析，生命体征分析，生命体征警报机制，血糖判定分析以及服务器与客户端通信、数据库的建立。在血糖判定分析功能模块的实现过程中需要研究并分析基本特征搜索算法过程中可以改进的环节，根据knn算法的特性和具体实现环境下的特征形态，对于knn外层所嵌套的特征搜索算法在速度上或是精准度上完成算法的优化，并且在android平台上得到分类结果，完成血糖判定分析模块的功能。

本次毕业设计的具体目标是使用微软手环作为研究平台，在扩展常规手环功能，进行健康监测、突发处理机制的基础之上，增加血糖判定功能，更深层次挖掘手环对人体生命健康的贡献价值。血糖判定功能实现拟用knn作为分类器，尽管该算法是一个理论上比较成熟的机器学习算法，但是其存在一个明显的不足之处是对于不相关的特征非常敏感，因此本文拟将knn算法嵌套在优化后的特征搜索算法中，从而实现速度上或是精准度上的优化。

在具体毕业设计进行过程中，我打算按照以下流程进行相关知识的学习和毕业设计的实施。

3. 研究计划与安排

（1）2018年3月5日到2018年3月15日：MATLAB编程语言能力的强化和KNN算法的学习；
（2）2018年3月16日到2018年3月20日：软硬件环境的配置，Android编程语言的学习和熟练运用；
（3）2018年3月21日到2018年3月26日：利用Android编程语言和环境实现APP基本界面的制作；
（4）2018年3月27日到2018年4月1日：利用Android编程语言和环境实现APP其他部分功能的实现；
（5）2018年4月2日到2018年4月12日：KNN算法的研究与实现；
（6）2018年4月13日到2018年4月20日：特征搜索算法的研究与实现；
（7）2018年4月21日到2018年5月1日：将特征搜索算法进行优化并和KNN算法进行融合实现；
（8）2018年5月2日到2018年5月10日：软件优化、测试和毕业论文的撰写；
（9）2018年5月11日到2018年6月5日：修改毕业论文，准备毕业答辩。

4. 参考文献（12篇以上）

[1]耿丽娟,李星毅.用于大数据分类KNN算法研究[J].计算机应用研究,2014,31（5）：1342-1344.
[2]陈海红.DESL轮特征搜索算法的实现[J].计算机安全,2012(02):16-18.
[3]李宏志,宋婕.基于KNN分类算法的主题网络爬虫[J].宜宾学院学报,2017(12):61-65.
[4]张舒雅,吴科艳,黄炎子,刘守印.基于SVM_KNN的老人跌倒检测算法[J/OL].计算机与现代化,2017(12):49-55[2018-02-28].http://kns.cnki.net/kcms/detail/36.1137.TP.20180123.1707.020.html.
[5]Mehmet Yesilbudak,Seref Sagiroglu,Ilhami Colak. A novel implementation of kNN classifier based on multi-tupled meteorological input data for wind power prediction[J]. Energy Conversion and Management,2017,135.
[6]张舒雅,吴科艳,黄炎子,刘守印.基于SVM_KNN的老人跌倒检测算法[J].计算机与现代化,2017(12):49-55.
[7]马鸿旭.基于变化步长的数字影像特征搜索算法[J].信息通信,2011(04):8 22.
[8]耿丽娟.基于健康医疗大数据的KNN分类算法研究[J].通讯世界,2017(20):265-266.
[9]朱付保,谢利杰,汤萌萌,朱颢东.基于模糊C-Means的改进型KNN分类算法[J].华中师范大学学报(自然科学版),2017,51(06):754-759.
[10]杨栋.基于智能手环的动车司机疲劳驾驶检测系统[J].铁路计算机应用,2017,26(08):13-15.
[11] Khadim Dramé, Fleur Mougin, Gayo Diallo. Large scale biomedical texts classification: a kNN and an ESA-based approaches [J]. Journal of Biomedical Semantics, 2016, Vol.7 (1).
[12]叶超.基于智能手环的民警健康监测系统研究[J].山东化工,2017,46(17):171-172 174.
[13]杨峻山. 生物组学数据的集成特征选择研究[D].深圳大学,2017.
[14]杨东升,张展,王丽娜,廉梦佳.图像匹配二进制特征搜索算法:位图局部敏感哈希[J/OL].吉林大学学报(工学版),2018(03):1-8[2018-02-28].https://doi.org/10.13229/j.cnki.jdxbgxb20170299.
[15]曾博,刘光磊,付梦菲,王银.智能手环应用于老年群体的探究[J].科技创新与应用,2017(06):74.
[16] Kunshan Huang,Shutao Li,Xudong Kang,Leyuan Fang. Spectral–Spatial Hyperspectral Image Classification Based on KNN [J]. Sensing and Imaging, 2016, Vol.17 (1).