多源健康数据的语义分析方法研究
摘要 | 第4-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第10-20页 |
1.1 问题的提出 | 第10-15页 |
1.1.1 普适计算 | 第10-11页 |
1.1.2 社会计算 | 第11-12页 |
1.1.3 多源健康数据分析 | 第12-15页 |
1.2 研究现状 | 第15-18页 |
1.2.1 基于感知设备的健康分析研究 | 第15-16页 |
1.2.2 基于社交媒体的健康分析研究 | 第16-18页 |
1.3 本文的工作 | 第18-19页 |
1.4 论文的组织 | 第19-20页 |
第2章 多源数据及计算模型 | 第20-32页 |
2.1 数据空间 | 第20-21页 |
2.1.1 数据分类 | 第20页 |
2.1.2 数据特点与挑战 | 第20-21页 |
2.2 多源数据模型 | 第21-25页 |
2.2.1 感知数据模型 | 第21-23页 |
2.2.2 在线数据模型 | 第23-25页 |
2.3 多源数据计算框架 | 第25-30页 |
2.3.1 本体及本体语言 | 第26-28页 |
2.3.2 多源数据融合模型 | 第28-30页 |
2.4 本章小结 | 第30-32页 |
第3章 基于感知数据的健康语义分析 | 第32-52页 |
3.1 感知数据中的健康语义 | 第32-33页 |
3.2 行为识别研究 | 第33-38页 |
3.2.1 行为识别的分类 | 第33页 |
3.2.2 行为识别的感知方法 | 第33-36页 |
3.2.3 行为识别的算法 | 第36-38页 |
3.3 轻量级的行为分析算法 | 第38-51页 |
3.3.1 行为分析框架 | 第38-39页 |
3.3.2 数据采集 | 第39-41页 |
3.3.3 特征选取 | 第41-43页 |
3.3.4 层次化的行为识别算法 | 第43-46页 |
3.3.5 算法评估 | 第46-51页 |
3.4 基于代谢当量的运动量分析 | 第51页 |
3.5 本章小结 | 第51-52页 |
第4章 基于在线数据的健康语义分析 | 第52-74页 |
4.1 在线数据与健康 | 第52-53页 |
4.2 在线数据采集 | 第53-56页 |
4.3 数据特征分析 | 第56-64页 |
4.3.1 交互特征 | 第56-61页 |
4.3.2 拓扑特征 | 第61-63页 |
4.3.3 语义特征 | 第63-64页 |
4.4 基于词向量的健康语义分析 | 第64-72页 |
4.4.1 深度学习 | 第65-66页 |
4.4.2 文本的向量表示 | 第66页 |
4.4.3 算法设计 | 第66-69页 |
4.4.4 算法评估 | 第69-72页 |
4.5 本章小结 | 第72-74页 |
第5章 多源健康数据融合方法 | 第74-90页 |
5.1 数据融合模型 | 第74-75页 |
5.2 基于知识推理的融合方法 | 第75-81页 |
5.2.1 多源数据模型 | 第75-77页 |
5.2.2 知识推理的框架 | 第77-79页 |
5.2.3 推理性能评估 | 第79-81页 |
5.3 基于多源数据融合的社群发现 | 第81-88页 |
5.3.1 用户关系强度 | 第81-82页 |
5.3.2 基于层次聚类的社群发现方法 | 第82-83页 |
5.3.3 算法评估与分析 | 第83-88页 |
5.4 本章小结 | 第88-90页 |
第6章 原型系统设计与应用 | 第90-102页 |
6.1 用药提醒系统 | 第90-91页 |
6.2 系统架构设计 | 第91-95页 |
6.2.1 系统要求 | 第91-92页 |
6.2.2 系统架构设计 | 第92-95页 |
6.3 原型系统 | 第95-98页 |
6.3.1 社交媒体组件 | 第95-96页 |
6.3.2 环境设备组件 | 第96-97页 |
6.3.3 服务器组件 | 第97-98页 |
6.4 多源数据融合评估 | 第98-101页 |
6.5 本章小结 | 第101-102页 |
第7章 总结与展望 | 第102-104页 |
7.1 本文的工作总结 | 第102-103页 |
7.2 进一步的研究工作 | 第103-104页 |
参考文献 | 第104-114页 |
攻读博士学位期间发表论文与参加科研情况 | 第114-118页 |
攻读博士学位期间发表论文情况 | 第114-116页 |
攻读博士学位期间参加科研情况 | 第116-118页 |
致谢 | 第118-119页 |