【導(dǎo)讀】師的指導(dǎo)下進(jìn)行的研究工作及取得的成果。盡我所知，除文中特別加。而使用過(guò)的材料。均已在文中作了明確的說(shuō)明并表示了謝意。除了文中特別加以標(biāo)注引用的內(nèi)容外，本論文。不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫(xiě)的成果作品。究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。全意識(shí)到本聲明的法律后果由本人承擔(dān)。同意學(xué)校保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)大學(xué)可以將本學(xué)位。涉密論文按學(xué)校規(guī)定處理。該系統(tǒng)致力于提高偏遠(yuǎn)地區(qū)的就醫(yī)效率，保障醫(yī)療資源的普遍共。享及慢性病人的及時(shí)監(jiān)護(hù)治療。家庭遠(yuǎn)程醫(yī)療監(jiān)控系統(tǒng)是一個(gè)對(duì)象化的遠(yuǎn)程醫(yī)療系統(tǒng)，主要面向的是家庭，以進(jìn)行合理的醫(yī)療診斷。本系統(tǒng)主要由三部分組成，包括醫(yī)學(xué)數(shù)據(jù)采集工具部分、往生理或病史數(shù)據(jù)并修改。幫助的用戶，根據(jù)對(duì)數(shù)據(jù)的分析給予人工建議和治療。戶電腦部分和醫(yī)療中心部分?jǐn)?shù)據(jù)庫(kù)的編寫(xiě)及兩端的通信。

　　

【正文】 FSM（）函數(shù)來(lái)接終端設(shè)備發(fā)送過(guò)來(lái)數(shù)據(jù)，包括溫度值或者血壓值，然后再將數(shù)據(jù)從串口發(fā)送出去。協(xié)調(diào)器設(shè)備程序流程圖如圖 12 所示 圖 12 網(wǎng)絡(luò)協(xié)調(diào)器程序流程圖 主程序部分代碼 include “” UINT16 ping_t。 UINT32 my_timer。 LADDR_UNION dstaddr。 typedef enum_PP_STATE_ENUM{ PP_STATE_IDLE, PP_STATE_SEND, PP_STATE_WAIT_FOR_TX } PP_STATE_ENUM, PP_STATE_ENUM ppState。 BYTE payload[2]。 Void main (void){ my_timer=0。 halInit()。 evbInit()。 ifdef WXLPAN_COORDINATOR InitSensorIO()。 SensorPowerOn()。 endif aplInit()。 conPrintConfig()。 ENABLE_GLOBAL_INTERRUPT()。 EVB_LED1_OFF。 EVB_LED2_OFF。 ifdef WXLPAN_COORDINATOR apleFormNetwork()。 while(apsBusy()){apsFSM()。} conPrintROMString(“Network formed,waiting for RX\n”)。 Print6(7,3,” Network beigin”,1)。 EVB_LED1_ON()。 else do{ aplJionNetwork()。 while(apsBusy()){apsFSM()。} if(aplGetStatus()==WXLPAN_STATUS_SUCCESS){ EVB_LED1_ON()。 conPrintROMString(“Network Join successded!\n”)。 conPrintROMString(“My ShortAddress is”)。 conPrintUINT16 (aplGetMyShortAddress())。 conPCRLF()。 conPrintROMString(“Parent LADDR:”)。 conPrintLADDR(“aplGetMyShortAddress”)。 conPrintROMString(“,Parent SADDR:”)。 conPrintUINT16 (aplGetMyShortAddress())。 conPCRLF()。 break。 } else{ conPrintROMString(“Network Join FAILED! Waiting,then trying again\n”。 my_timer=halGetMACTimer()。 //wait for 2 seconds While((halMACTimerNowDelta(my_timer))MSECS_TO MACTICKS(2*1000))。 } } while(1) endif ifdef WXLPAN_COORDINATOR aplSetMacMaxFrameRetries(0)。 while(1){ apsFSM()。 } endif ifdef WXLPAN_RFD =0。 ppState=PP_STATE_SEND。 aplSetMacMaxFrameRetries(0)。 while(1){ SendData(0。 } Endif ifdef WXLPAN_ROUTER DEBUG_PRINTNEIGHBORS(DBG_INFO)。 conPritROMString(“Router,doing its thing.!\n”)。 while(1){ apsFSM()。 } endif } 本章小結(jié)： 主要介紹了無(wú)線通信各方式的對(duì)比分析， Zigbee 技術(shù)的簡(jiǎn)析， Zigbee 網(wǎng)絡(luò)的分析，整個(gè) Zigbee 網(wǎng)絡(luò)的構(gòu)成， RFD 終端節(jié)點(diǎn)以及協(xié)調(diào)器設(shè)備的流程圖設(shè)計(jì)，部分主要代碼的介紹。 第四章 基于決策樹(shù)算法的客戶端軟件設(shè)計(jì) 本系統(tǒng)在客戶端及服務(wù)器端軟件的功能需求：用戶電腦客戶端軟件為基于決策樹(shù) ID3 算法的智能醫(yī)療軟件，主要功能為提供一些 “心悸、胸悶、手指麻木和疼痛、肌肉酸痛、年齡、身高體重、有無(wú)以往病史等醫(yī)學(xué)選項(xiàng) ”供用戶選擇，輔以醫(yī)學(xué)數(shù)據(jù)采集工具采集到的生理數(shù)據(jù)，智能判斷用戶身體情況，然后作出相應(yīng)的診斷醫(yī)療建議。醫(yī)療中心服務(wù)器端軟件為基于模糊算法的輔助監(jiān)控軟件，其主要功能為監(jiān)控用戶的身體狀況，將最最危急的用戶，優(yōu)先提供給醫(yī)務(wù)人員。 決策樹(shù)算法簡(jiǎn)介： 決策樹(shù)算法的研究開(kāi)始于 60 年代到 70 年代之間，最早由羅斯為了優(yōu)化了決策樹(shù)的整體構(gòu)造，于是提出了決策樹(shù) ID3 算法，主要是通過(guò)犧牲研究葉子數(shù)目 的代價(jià)換來(lái)的決策樹(shù)的優(yōu)化，然后針對(duì)決策樹(shù) ID3 算法的不足，應(yīng)運(yùn)而生的 決策樹(shù)算法，它是基于決策樹(shù) ID3 算法的改進(jìn)，主要改進(jìn)的決策樹(shù)剪枝技術(shù)，導(dǎo)出的規(guī)則等等，不僅適用于分類問(wèn)題，而且對(duì)于回歸問(wèn)題。 決策樹(shù)算法主要是對(duì)所選數(shù)據(jù)進(jìn)行歸類，通過(guò)逼近離散函數(shù)來(lái)實(shí)現(xiàn)。主要的流程為通過(guò)對(duì)所提供的數(shù)據(jù)進(jìn)行分類歸納，整理出適合的規(guī)則和計(jì)算出對(duì)應(yīng)的決策樹(shù)，然后再通過(guò)所建立的決策樹(shù)對(duì)新得到的數(shù)據(jù)分析，同時(shí)也將新數(shù)據(jù)的規(guī)則融入到?jīng)Q策樹(shù)中。也就是說(shuō)決策樹(shù)就是通過(guò)歸納的規(guī)則來(lái)對(duì)數(shù)據(jù)分類。 決策樹(shù)算法分類及分析 典型的決策樹(shù) 算法是 ID3， ， CART 等。 決策樹(shù) ID3 算法簡(jiǎn)介 起源于概念學(xué)習(xí)系統(tǒng) CLS。決策樹(shù) ID3 算法從信息論中引入了信息增益，用它來(lái)作為建立決策樹(shù)的度量。以信息熵的大小來(lái)選取所得數(shù)據(jù)的測(cè)試屬性，將測(cè)試屬性作為整個(gè)決策樹(shù)的根節(jié)點(diǎn)，然后依次計(jì)算子節(jié)點(diǎn)。 決策樹(shù) ID3 算法的基本規(guī)則 首先創(chuàng)建一個(gè)節(jié)點(diǎn)，判斷樣本是否屬于一個(gè)類別，相同則停止不同則繼續(xù)。然后標(biāo)記這個(gè)節(jié)點(diǎn)，將該節(jié)點(diǎn)標(biāo)記為樹(shù)葉節(jié)點(diǎn)，并且標(biāo)記該類節(jié)點(diǎn)。 通過(guò)公式來(lái)計(jì)算所有屬性的信息熵等，篩選哪個(gè)屬性為最適合作為該決策樹(shù)的測(cè)試屬性，通過(guò)該測(cè)試屬性對(duì)訓(xùn)練集進(jìn)行歸類 。 計(jì)算測(cè)試屬性中的其他值對(duì)應(yīng)的信息熵及信息期望，梳理構(gòu)建樹(shù)的分支，將相同的樣本數(shù)據(jù)歸為一類。 依照以上的規(guī)則過(guò)程，從上至下進(jìn)行遞推，同如下幾個(gè)條件進(jìn)行對(duì)比，如果滿足任何一個(gè)條件，那么遞推就停止，（ 性相同 ）。 決策樹(shù) ID3 算法的優(yōu)點(diǎn) : (1) 清晰的理論，簡(jiǎn)單的算法，有良好的研究經(jīng)驗(yàn)，及成功的研究事例。 (2) 預(yù)測(cè)的規(guī)則準(zhǔn)確率精度較高 決策樹(shù) ID3 算法的缺點(diǎn) : (1) 存在研究偏向問(wèn)題，每個(gè)特征屬性的取值個(gè)數(shù)會(huì)相互影響，造成信息量的偏差。 (2) 每個(gè)特征屬性間的關(guān)聯(lián)性比較差，是單變?cè)惴ā? (3) 魯棒性；數(shù)據(jù)的微小的錯(cuò)誤就會(huì)導(dǎo)致不同的結(jié)果。 決策樹(shù) 算法的優(yōu)點(diǎn) : (1) 產(chǎn)生的分類規(guī)則易于理解 (2) 規(guī)則的準(zhǔn)確率較高。 決策樹(shù) 算法的缺點(diǎn) : (1) 在樹(shù)的構(gòu)造過(guò)程中，需要對(duì)數(shù)據(jù)進(jìn)行多次計(jì)算和排序，會(huì)導(dǎo)致算法的低效。 (2) 內(nèi)存程序無(wú)法滿足大數(shù)據(jù)的運(yùn)行 。 綜合分析決策樹(shù)幾種算法的優(yōu)缺點(diǎn)，根據(jù)本軟件的功能需求及數(shù)據(jù)類型，該軟件選擇決策樹(shù) ID3 算法來(lái)處理數(shù)據(jù)。 醫(yī)學(xué)數(shù)據(jù)的獲取 由于智能醫(yī)療軟件的功能需求，需要獲取以往病人得病的起因（主要是得病的主要因素），病人的病例，及相應(yīng)的診斷結(jié)果和治療方法。同時(shí)還要獲得大量的醫(yī)學(xué)保健資料，藥物的數(shù)據(jù)，和養(yǎng)生的保養(yǎng)，飲食，作息等數(shù)據(jù)。該軟件的數(shù)據(jù)主要通過(guò)查閱醫(yī)學(xué)網(wǎng)站獲得，其次通過(guò)來(lái)自醫(yī)院的同學(xué)獲得。部分?jǐn)?shù)據(jù)如表 2所示 表 2 醫(yī)學(xué)數(shù)據(jù)表 編號(hào) 年齡(歲 ) 血壓值 (收縮壓mmHg),(舒張壓 mmHg) 肥胖 頭痛、頭暈 腎臟疾病 心悸、胸悶、乏力 類別： 是否高血壓 1 18 歲以下 (120),(80) 否 無(wú) 無(wú) 無(wú) 否 2 18 歲以下 (120),(80) 否 無(wú) 有 無(wú) 否 3 18 歲以下 (120),(80) 否 無(wú) 無(wú) 無(wú) 否 4 18 歲以下 (120),(80) 是 有 無(wú) 無(wú) 否 5 18 歲以下 （ 120140） ,（ 8090） 是 無(wú) 無(wú) 無(wú) 否 6 18 歲以下 （ 120140） ,（ 8090） 是 無(wú) 有 無(wú) 否 7 18 歲以下 (140),(90) 是 有 無(wú) 無(wú) 是 8 18 歲以下 (140),(90) 是 有 有 有 是 9 1840 (120),(80) 是 有 無(wú) 無(wú) 否 10 1840 (120),(80) 否 無(wú) 無(wú) 無(wú) 否 11 1840 （ 120140） ,（ 8090） 是 有 有 有 是 決策樹(shù) ID3 算法的主要公式 ???? mi pipismssI 1 2 )(lo g),. .. ,2,1()1( 公式 (1)為期望信息公式，共有 s 個(gè)數(shù)據(jù)樣本的集合， m 個(gè)不同值的類別屬性，Ci 代表不同的類。 Pi 為 Ci 中任一樣本的概率， Pi=Si/ T有 t 個(gè)不同值 {T1， T2， T3,…,Tt}。 如果 T 屬性通過(guò)計(jì)算被定為測(cè)試屬性，然后根據(jù)公式 (2)分別求出 T 屬性內(nèi)的子集的信息熵和期望信息的值。公式公式（ 2）中12 1840 （ 120140） ,（ 8090） 否 有 有 有 是 13 1840 （ 120140） ,（ 8090） 否 有 無(wú) 無(wú) 否 14 1840 （ 120140） ,（ 8090） 是 無(wú) 無(wú) 無(wú) 是 15 1840 （ 120140） ,（ 8090） 是 有 有 無(wú) 是 16 4065 （ 120140） ,（ 8090） 否 無(wú) 無(wú) 有 否 17 4065 (140),(90) 否 有 有 有 是 18 4065 (120),(80) 是 無(wú) 無(wú) 無(wú) 否 19 4065 (140),(90) 否 有 無(wú) 無(wú) 是 20 4065 (140),(90) 否 有 無(wú) 有 是 Smj 為 Ci 類別中的樣本數(shù)，其中， 為子集的權(quán)系數(shù)，并且等于 T 屬性中樣本的個(gè)數(shù)和總樣本的個(gè)數(shù)的比值，所求得的熵值越大，分類后的子集誤差越大。 由 T 屬性分支求得的編碼信息為 Gain(A)=I(S1,S2,…,S m)E(A). Gain(A)為信息增益值，它是通過(guò)已知屬性 T 的值，造成熵的期望壓縮。 決策樹(shù)的建立 已知數(shù)據(jù)如表 =20,類別號(hào)屬性 “是否高血壓 ”有兩個(gè)不同的值（ {即是高血壓，否高血壓 }） ，因此 Ci 有兩個(gè)不同類別（ C1,C2） ,C1 類別為 “是高血壓 ”，C2 類別為 “否高血壓 ”。因此 S1 作為 “是高血壓 ”類別的樣本數(shù)量 S1=9。S2 作為 “否高血壓 ”類別的樣本數(shù)量 S2=11； P1 為整體樣本內(nèi) “是高血壓 ”數(shù)量的概率P1=S1/S=9/20； P2 為整體樣本內(nèi) “否高血壓 ”數(shù)量的概率 P2=S2/S=11/20。 求解樣本測(cè)試屬性 求解所有樣本分類的期望信息： I（ S1， S2） =I（ 9,11） )2020(log2020)209(log209)(log 222 1 2 ????? ??i pipi =+= 求解 所有屬性的熵： (1)首先應(yīng)用期望信息公式求解 “血壓值 ”屬性的熵： 當(dāng) “血壓值 ”屬性值為 “(120),(80)” 時(shí)： S11=0， S21=7， P11=0， P21=1； I（ S11， S21） =I（ 0,7） 00)1(log 2 ???? 。 當(dāng) “血壓值 ”屬性值為 “（ 120140） ,（ 8090） ” 時(shí)： S12=4， S22=4， P12=1/2，P22=1/2； I（ S12， S22） =I（ 4,4） ???? )21(log21)21(log21 22 1； 當(dāng) “血壓值 ”屬性值為 “(140),(90)” 時(shí)： S13=5， S23=0， P13=1， P23=0； I（ S13， S23） =I（ 5,0） 00)1(log 2 ???? 。 如果 T 樣本按照 “血壓值 ”分類，以 “血壓值 ”分類的期望信息求解值為 按照 “血壓值 ”分類的信息增益求解為： Gain(血壓值 )=I(S1,S2)E(血壓值 )==。 (2)求解 T 樣本中 “年齡 ”屬性的熵： 當(dāng) “年齡 ”屬性值為 “18 歲以下 ”時(shí)： S11=2， S21=6