情景感知在體域網(wǎng)上的應用一、體域網(wǎng)研究綜述。作為無線傳感器網(wǎng)絡（wirelesssensornetworks,WSN）的一個分支和在生物醫(yī)療等領域內(nèi)的應用，體域網(wǎng)（bodysensornetwork,BSN）是一種重要的公眾應用網(wǎng)絡，并在遠程醫(yī)療保健、特殊人群監(jiān)護和社區(qū)醫(yī)療等服務領域有著巨大的應用意義和需求，并日漸成為研究和應用的熱點。首先，隨著全世界老齡化人口的不斷增加，由于醫(yī)療資源預算支出、醫(yī)生、護士和病床等）相對不足，使得醫(yī)療保健系統(tǒng)的發(fā)展成為全球需求。其次，中國作為13億人口的大國，對于能夠切實解決廣大社區(qū)（特別是偏遠山區(qū)）看病難、看病貴的BSN技術更是需求迫切。此外，傳統(tǒng)的醫(yī)療方法多為病發(fā)后治療，不能很好地作到預防和實時診療，而BSN代表的新技術則能通過對已有生理參數(shù)數(shù)據(jù)的分類學習對實時信號或數(shù)據(jù)進行分析從而對發(fā)病進行預警，或在發(fā)病時采取及時的報警，并將發(fā)病過程中重要的生理信息保存下來，以供后續(xù)的診斷治療。BSN技術不僅用于醫(yī)療保健、健康恢復和助老助殘方面，應用的領域還可擴展到娛樂業(yè)（如動漫產(chǎn)業(yè)、舞蹈設計和訓練）、體育運動（如擊劍教學模擬及分析）、其他工業(yè)（如汽車發(fā)動機和機床的狀態(tài)監(jiān)控及故障檢測），甚至是軍事領域（如戰(zhàn)士生理狀態(tài)監(jiān)控及救助）和社會公共領域（如大規(guī)模突發(fā)事件的監(jiān)控和心理救助等）。當前，BSN仍處在初級發(fā)展階段，多數(shù)研究都集中在建立系統(tǒng)架構和服務平臺上，仍面臨諸多關鍵技術挑戰(zhàn)，在用于減少冗余并獲得特征和決策的數(shù)據(jù)融合方面，包括輕量級數(shù)據(jù)融合算法的設計及實現(xiàn)和生理信號的實時處理等;在用于提高識別精度和實現(xiàn)自動感知的情景感知方面，包括上下文計算、環(huán)境感知及監(jiān)控和特征提取及降維技術等;在用于防止入侵的數(shù)據(jù)安全和隱私數(shù)據(jù)保護方面，包括數(shù)據(jù)安全協(xié)議、數(shù)據(jù)加密算法設計及隱私保護機制等;在用于搭建BSN應用的系統(tǒng)技術方面，包括低能耗的無線通信、身體上及身體周圍的無線傳輸、體上傳感器節(jié)點的可穿戴性、傳感器（特別是植入體內(nèi)）的尺寸大小及低能耗問題等。這些關鍵技術都是構建完整BSN系統(tǒng)所必須涉及到的，不僅有研究價值，還具有重要的實際應用價值。已有的研究綜述分別就BSN的生物傳感器設計和自動感知、無線通信架構、情景感知、醫(yī)療保健領域的發(fā)展趨勢、數(shù)據(jù)安全和無縫系統(tǒng)整合技術給出了充分討論本文將著重在數(shù)據(jù)融合、情景感知和系統(tǒng)技術方面總結BSN領域的技術挑戰(zhàn)、最新進展和發(fā)展趨勢，還就BSN系統(tǒng)架構展開討論。體域網(wǎng)（wirelessbodysensornetwork,WBSN或BSN）是基于無線傳感器網(wǎng)絡（WSN）的，人體上的生理參數(shù)收集傳感器或移植到人體內(nèi)的生物傳感器共同形成的一個無線網(wǎng)絡它不僅是一種新的普適醫(yī)療保健、疾病監(jiān)控和預防的解決方案，還是物聯(lián)網(wǎng)（Internetofthings）的重要感知及組成部分?其目的是提供一個集成硬件、軟件和無線通信技術的泛在計算平臺,并為普適的健康醫(yī)療監(jiān)控系統(tǒng)的未來發(fā)展提供必備的條件?它特別強調(diào)可穿戴或可植入生物傳感器的尺寸大小及它們之間的低能耗無線通信?這些傳感器節(jié)點能夠采集身體重要的生理信號（如溫度、血糖,血壓和心電信號等）、人體活動或動作信號以及人體所在環(huán)境信息，處理這些信號/信息并將它們傳輸?shù)缴眢w外部附近的本地基站。BSN還有其他的稱呼，分別是生物醫(yī)療傳感器網(wǎng)絡和無線體域傳感網(wǎng)。根據(jù)相對于人體所在位置可將BSN中傳感器節(jié)點分為3類:1.可植入體內(nèi)的傳感器節(jié)點，包括可植入的生物傳感器和可吸入的傳感器（如攝像藥丸）；2?可穿戴在身體上的傳感器節(jié)點，如葡萄糖傳感器、非入侵血壓傳感器、血氧飽和度傳感器和溫度傳感器等；3.在身體周圍并距離身體很（較）近的用于識別人體活動或行為的周圍環(huán)境節(jié)點。在以上分類的基礎上，根據(jù)傳感器節(jié)點的監(jiān)控/檢測目標，可將BSN網(wǎng)絡分為:1.僅包含第1類傳感器節(jié)點的植入式BSN網(wǎng)絡（implantedBSN）;2.僅包含第2類傳感器節(jié)點的可穿戴式BSN（wearableBSN）;3.以上3類傳感器節(jié)點任意組合的混合式BSN（hybridBSN）。BSN中傳感器節(jié)點（或設備）所要監(jiān)控的人體（生理）信號分為3類:1.連續(xù)型時變生理信號，一般為各種波形居多，如肌電圖和脈搏波等,對應的傳感器（設備）包括腦電圖掃描儀、視覺傳感器、聽覺傳感器、心動電流儀、心電圖儀、PVDF壓電脈象傳感器、心臟起搏器和吸入式藥丸攝像機2離散型時變生理信號，如體溫、血壓和血氧飽和度等生理參數(shù)值，對應的傳感器（設備）包括吸入式藥丸溫度測量儀、胰島素泵、肺功能傳感器、葡萄糖檢測傳感器、出汗量檢測傳感器、指環(huán)式心率感知器、血氧飽和度傳感器、體溫傳感器、非入侵血壓監(jiān)測儀和脈搏率檢測傳感器3人體活動及動作信號，用于監(jiān)控病人的日常活動或人體活動,對應的傳感器（設備）包括人體活動傳感器、加速度傳感器、動作傳感器、耳戴式活動識別傳感器和螺旋儀。二、情景感知在體域網(wǎng)上初步認識1?情景感知由于情景感知能夠解釋來自于BSN中的物理信號和生物化學信號，對外界不同事件作出決策以及調(diào)整自身的監(jiān)控行為，因此已成為在實現(xiàn)健康保健監(jiān)控BSN應用系統(tǒng)中不可或缺的一部分BSN中情景感知的重要性還在于將用戶生理活動和周圍環(huán)境信息結合起來以形成被感知的信號，這種情景信息可以被用在普適醫(yī)療、特別是用于精確病情檢測。最后，情景感知能讓BSN中的一些數(shù)據(jù)處理以低能耗方式在本地的資源受限的傳感器節(jié)點上執(zhí)行，從而讓整個網(wǎng)絡的能耗和通信帶寬最小化情景是能夠描述當前實體情況的任何信息，這里實體可以是一個人、地方或者是物理對象。情景感知(context2awaresensing,CAS)能被定義為探知或監(jiān)測用戶的內(nèi)部或外部狀態(tài)。情景感知計算(contextawarecomputing,CAC)描述了一個可穿戴可移動的、傳感器能夠感知到用戶狀態(tài)和周圍環(huán)境、并在任務中利用這些信息來改變其行為的計算。?情景信息可以是周圍傳感器獲得的信息也可以是身體活動信息，還可以是血壓、周圍環(huán)境溫度、體溫或大腦活動等。情景感知技術就是利用這些情景信息來檢測或監(jiān)控目標生理參數(shù)(如ECG)是否出現(xiàn)異常情景感知的系統(tǒng)結構分析傳感器采集到的信息種類繁多而不同的應用需要的信息處理方法也各不相同而這些方法對系統(tǒng)結構的需求也不同現(xiàn)有研究中有兩種常見的情景感知系統(tǒng)結構直接訪問傳感器和基于中間件技術直接訪問傳感器的方法經(jīng)常用于內(nèi)嵌傳感器的設備應用程序直接從傳感器中獲取所需信息傳感器與應用是一種緊耦合關系以往的無線傳感器網(wǎng)絡WSN都是一些小規(guī)模的應用傳感器種類及數(shù)量都比較少采用直接訪問傳感器的方法就可以滿足其需要,但對于物聯(lián)網(wǎng)來說隨著規(guī)模的擴大及應用的增多，采用緊耦合的方式會造成感知系統(tǒng)的復雜化限制了系統(tǒng)的靈活性及可擴展性，本文對此不作詳細介紹。基于中間件的結構是在情景感知系統(tǒng)中引入一種分層結構。它位于下層傳感器與上層應用之間，該層向上屏蔽底層傳感器操作細節(jié)，提供統(tǒng)一的信息訪問接口，向下驅(qū)動物理或邏輯的傳感器進行信息采集，通過中間件技術，構建應用程序與傳感數(shù)據(jù)源的橋梁，集成情景信息建模處理等共性功能模塊，簡化了物聯(lián)網(wǎng)情景感知應用程序的開發(fā)同時增強了系統(tǒng)的可擴展性。中間件在系統(tǒng)中的位置如圖1所示物理或邏輯傳惣器圖1中間件在系統(tǒng)中的位置中間件技術源于軟件行業(yè)，可用來解決多種硬件系統(tǒng)平臺的異構問題，中間件是位于平臺。硬件和操作系統(tǒng)，和應用之間的通用服務，這些服務能夠滿足大量應用的需要，能夠運行在多種硬件平臺上。且支持各類標準協(xié)議接口，物聯(lián)網(wǎng)具有海量信息的特性而情景感知應用又要求中間件具有情景信息處理的能力。因此，傳統(tǒng)的中間件技術無法滿足物聯(lián)網(wǎng)的要求，需要新的支撐技術，根據(jù)本文的描述物聯(lián)網(wǎng)的中間件要實現(xiàn)的功能至少還應該包括上面提到的情景信息建模處理和存儲管理，已有的情景感知中間件包括Combra、Gaia、ContextToolkit、CamusCamido。ContextToolkit是美國喬治亞理工學院提出并實現(xiàn)的個支持產(chǎn)生情景感知應用程序的中間件，上下文信息的計和管理分布在用戶的設備上進行,上下文感知應用請求用設備獲取相關的上下文主要包含3類對象Widgets服務器和解釋器。ContextToolkit架構中，傳感器被抽象為Widgets對上層應用提供統(tǒng)一的數(shù)據(jù)接口服務器和解釋器則裝了情景信息的分析處理過程但它采用的是面向特定對的信息建模方法，缺乏情景信息的共享，有一定的局限性。Gaia是由伊利諾斯州立大學MauelRoman等開發(fā)的普適計算中間件Gaia類似傳

統(tǒng)操作系統(tǒng)。其實Gaia也將傳統(tǒng)操作系統(tǒng)認為是特殊的智能空間，它將物理空間及其包含

的實體等定義為智能空間。智能空間內(nèi)部的普適計算軟件環(huán)境由Gaia核心Gaia應用程序框

架和應用程序組成。它采用集中模式，即情景信息的計算和管理集中在一臺服務器進行應用

請求服務器獲取相關情景信息。在以海量信息為特征的物聯(lián)網(wǎng)環(huán)境下集中模式是系統(tǒng)擴展

的瓶頸Gaia提供對不確定情景信息進行推理的能力。支持貝葉斯網(wǎng)絡推理機制Gaia結構如

圖2所示其中ContextProvider是底層各種物理和邏輯傳感器負責情景信息的采集Context

Synthesizer對獲得的信息進行融合并推理出高層情景信息ContextConsumers由高層的情景

信息決定米取相應的行動ContextProvideerLookupService管理上下文提供者ContextHistory。Service提供歷史上下文存儲服務OntologyServicer維護存儲情景信息的本體。ContextContexIConsumer^（■onlexfSynthesize^CooiexTXProviderJContentPro+iticr

LookupServiceC'ontcxtAContextContexIConsumer^（■onlexfSynthesize^CooiexTXProviderJContentPro+iticr

LookupServiceC'ontcxtA

ProviderJ（°n訕咂Z）ProviderContextHi討ory圖2Gaia結構圖物聯(lián)網(wǎng)最基本的組成部分是傳感器，不同于傳統(tǒng)的傳感網(wǎng)。物聯(lián)網(wǎng)是個大的網(wǎng)絡其中的傳感器數(shù)量巨大且種類繁多。同時傳感器自身故障及網(wǎng)絡傳輸問題導致信息空缺及噪聲數(shù)據(jù)多傳感器協(xié)同感知不可避免會出現(xiàn)大量冗余和不確定信息。傳感器有效管理和數(shù)據(jù)預處理是情景感知能否高效實現(xiàn)的關鍵。如何管理海量動態(tài)的傳感器以及如何處理海量的不確定信息是物聯(lián)網(wǎng)的重點。物聯(lián)網(wǎng)情景感知系統(tǒng)應當重點考慮，此外，傳統(tǒng)的多傳感器協(xié)同感知應用處理的僅為傳感器采集的感知信息，物聯(lián)網(wǎng)情景感知應用不僅處理傳感器感知信息。還包括用戶個性信息。如用戶習慣，日程表，并注重用戶反饋。目前的支持情景感知的中間件基于傳統(tǒng)的傳感網(wǎng)，缺乏上述相應管理，如前面提到的幾種中間件系統(tǒng)有其優(yōu)勢。但在物聯(lián)網(wǎng)環(huán)境下也存在局限性，參考上面提到的幾種系統(tǒng)結構,本文提出的情景感知系統(tǒng)結構如圖3所示系統(tǒng)使用本體建模實現(xiàn)了情景信息的共享解決了Gaia存在的局限性。結構采取Cobra的多Agent結構，均衡系統(tǒng)負載，較Cobra增加了底層傳感器管理模塊等。與以往系統(tǒng)結構相比，本結構考慮了物聯(lián)網(wǎng)的特性更加適合物聯(lián)網(wǎng)的情景感知應用本文的物聯(lián)網(wǎng)情景感知系統(tǒng)包括情景信息采集模塊用來驅(qū)動底層傳感器進行信息采集，同時實現(xiàn)對底層傳感器的管理，情景信息整合模塊，對采集模塊獲得的情景信息進行預處理，包括去冗余和沖突處理等推理模塊，由采集模塊得到的數(shù)據(jù)集挖掘出隱藏的知識，推理出應用可理解的高層情景信息，識別當前情景，并由此決定提供什么服務，學習模塊。根據(jù)用戶反饋，優(yōu)化推理模塊和整合模塊，接入控制模塊，用于傳感器應用及用戶等的接入控制。此外，還應該包括存儲情景信息和注冊信息的數(shù)據(jù)庫物聯(lián)網(wǎng)中情景信息的瞬時性、關聯(lián)性特征等使得情景信息存儲管理有其固有的特點，如情景信息的時效性。例如,過去的溫度信息對當前的情景感知是沒有意義的。隱私保護，必須給予使用者定義隱私策略的機會。根據(jù)定義的規(guī)則控制數(shù)據(jù)是否發(fā)送以及發(fā)送到哪里，做到合理的隱私保護。技術概述對BSN中情景信息進行推理主要包含3種方法:人工神經(jīng)網(wǎng)絡、貝葉斯網(wǎng)絡和Markov模型。人工神經(jīng)網(wǎng)絡作為一個穩(wěn)定的分簇算法被用于BSN的情景感知中，原因在于它能夠表現(xiàn)良好卻不需要對輸入數(shù)據(jù)進行監(jiān)管訓練，但會在底層傳感器產(chǎn)生一些無可避免的噪音?自組織映射(selforganizingmaps,SOM)是屬于人工神經(jīng)網(wǎng)絡方法的一種,除了具有人工神經(jīng)網(wǎng)絡的特性外，它還提供了使數(shù)據(jù)可視化和分簇的高效方法，該特性決定它不但能夠保持連續(xù)工作，與其他方法結合則更有利于日常活動識別;貝葉斯網(wǎng)絡被用來將BSN中感知數(shù)據(jù)的情景進行分類,因此是一個十分合適的用于情景感知的推理方法?貝葉斯網(wǎng)絡遵循圖中各頂點之間嚴格獨立的假設，當獨立假設成立的情況下它能獲得最高的準確率;為了能夠在真實世界的BSN中應用情景感知技術，需要一個持續(xù)時間段而非某個確切時間點上的連續(xù)識別，由此將隱Markov模型(HMMs)引入到監(jiān)督層以獲得情景轉(zhuǎn)換的模型.由于系統(tǒng)能夠識別一連串的動作或活動，因此應用隱Markov模型是能夠?qū)θ说男袨閷崿F(xiàn)精確建模的情景識別技術。其主要步驟包括：信息采集建模和智能處理。情景信息米集情景信息的獲取可以分為用戶主動輸入和通過傳感器采集等方式,情景感知的目標是通過普適的計算資源在用戶較少參與或者根本不需要用戶參與的情況下實現(xiàn)對用戶的服務推薦。因此情景感知系統(tǒng)需要用戶個性化信息，如生活習慣、日程表等來輔助系統(tǒng)做出正確的決策。此外，系統(tǒng)還需要通過部署在環(huán)境中的傳感器和其他設備自動獲取其他情景信息。例，用戶的位置信息，在戶外環(huán)境下可以通過GPS獲取在室內(nèi)時，可采用如下技術獲取。基于GPS原理采用紅外ParcTab系統(tǒng)、射頻技術，基于信號傳輸時間差的Cricket系統(tǒng)12基于信號衰落的Radar系統(tǒng)以及基于視覺技術的定位系統(tǒng)。溫度、濕度、加速度信息可通過相應的傳感器獲得。時間信息則由系統(tǒng)內(nèi)部時鐘提供，類似于網(wǎng)絡帶寬的信息可以通過動態(tài)監(jiān)測的手段獲得信息獲取的手段眾多。這里不再一一舉例說明。在物聯(lián)網(wǎng)中大量傳感器分布在實際環(huán)境中，為了保證環(huán)境信息獲取的快速性和準確性，常采用多傳感器協(xié)同感知的手段，使用多傳感器相互協(xié)作來提高系統(tǒng)可靠性及可信性還可以擴展傳感器的覆蓋范圍,包括空間覆蓋范圍和時間覆蓋范圍。但傳感器采集到的信息受自身質(zhì)量和性能噪聲的影響往往是不完整且不準確的。因此有必要對同一檢測目標的多傳感器數(shù)據(jù)進行預處理。情景信息建模

情景信息是情景感知的基礎，物聯(lián)網(wǎng)的特性之一是海量設備。不同的傳感器采集到的信息不同如位置，時間或者光強等，表示方式也千差萬別。為了達到語義互操作的目的，需要對這些多源異構信息進行有效的表示，傳輸和存儲。因此需要為這些數(shù)據(jù)進行統(tǒng)一形式的描述或者稱為定義標準的數(shù)據(jù)格式及協(xié)議，如何從底層情景信息高效地提取出有意義的高層信息。也同樣要求對情景信息進行有效組織和表達情景信息的建模可以分為兩個層面一是形式上的統(tǒng)一即不同的情景信息采用相同的表示方式。如關鍵值模型，其主要目的是解決信息的高效存儲和查詢等問題，并不涉及語義二是支持語義上的統(tǒng)一。如基于本體論的知識表達通過統(tǒng)一的語義表達解決情景信息語義互操作和利用效率問題。關鍵值模型Keyvaluepairmodle使用關鍵值偶對通過提供情景信息的關鍵詞及其值來描述。該模型建模簡單，關鍵值偶對易于管理。但物聯(lián)網(wǎng)中各傳感器獲得的信息之間總存在著一定的聯(lián)系，該模型割裂了信息間的相互聯(lián)系，而信息間的這種聯(lián)系在物聯(lián)網(wǎng)的信息處理中是相當重要的模式標識模型MarkupSchemeModels。和各種標識語言如HTML和XML等對事物的一樣模式標識模型就是采用標簽Tag分層對對象進行標識。這種表示方式又稱為Profiles配置W3C定義了CompositeCapabilitiesprefences它們都用XML來表述。擴展后可用于情景建模。傳統(tǒng)E-R模型又稱為實體聯(lián)系模型由PeterChen于1976年提出是一種概念數(shù)據(jù)模型它將現(xiàn)實世界轉(zhuǎn)化成實體、聯(lián)系和屬性等幾個基本概念。并用一種較為簡單的E-R圖來表示如圖3所示的E-R圖中實體用矩形表示，屬性用橢圓形表示，聯(lián)系則用菱形表示。實體與屬性的聯(lián)接實體與屬性的聯(lián)接圖3E-R圖面向?qū)ο竽Ｐ蚈OM0,該模型以傳統(tǒng)E-R模型為基礎興起20世紀80年代面向?qū)ο竽Ｐ驼J為客觀世界由特定結構，功能且具有相互聯(lián)系的對象組成最低限度上必須具有對象。類對象標識，繼承性和對象包含5個基本概念類是具有相似屬性和方法的對象的集合，每個對象都是它所在類的一個實例。繼承性指子類繼承其所有父類的全部屬性和方法通過繼承提供了數(shù)據(jù)和方法重用機制避免了重復定義對象包含指一個對象的屬性可以是另一個對象。這不僅使類之間具有層次結構而且某一個類內(nèi)部也具有包含的層次結構形成復雜對象結構由于采用了對象的繼承和包含機制。面向?qū)ο竽Ｐ拖啾葌鹘y(tǒng)E-R模型在對現(xiàn)實世界的表現(xiàn)上更加自然有效。因此TEAProgect重點使用了面向?qū)ο竽Ｐ蛠肀磉_信息。本體模型OntologyMode1使用本體建模是目前很流行的一種方法，本體可以很好地描述情景信息本體的概念最初來源于哲學表示客觀存在的一個系統(tǒng)的解釋和說明隨著智能信息處理技術的發(fā)展，本體被賦予了新的概念1993年Gruber給出了本體的一個最為流行的定義即，本體是概念模型的明確的形式化規(guī)范說明，之后有不少學者在此基礎上給出了本體的新定義。構造本體的目標是獲得相關領域的知識，通過確定該領域認可的詞匯，實現(xiàn)對該領域知識的共同理解。使其符合物聯(lián)網(wǎng)對語義互操作的要求，基于本體的知識表達包含4層含義概念模型Conceptualization明確Explicit形式化Formal和共享Share概念模型指通過抽象出客觀世界中一些現(xiàn)象的相關概念而得到的模型。獨立于具體的環(huán)境狀態(tài)，明確指所使用的概念及這些概念的約束都需要明確定義，形式化，指本體必須具有計算機可讀的特性。共享指本體中體現(xiàn)的是共同認可的知識，反映的是相關領域中公認的概念集本體的概念滿足物聯(lián)網(wǎng)語義互操作和資源重用的要求。是物聯(lián)網(wǎng)中主要的建模方法。概念的獲取有基于語言學和基于統(tǒng)計學的方法，獲取概念間關系大多基于模板，概念聚類詞典和關聯(lián)規(guī)則方法，本體表示方式可以多種多樣如一階謂詞邏輯語義網(wǎng)絡基于框架的系統(tǒng)，但目前使用最普遍的是W3C所推薦的OWL語言本體評估判斷構造的本體的優(yōu)采用的方法有選擇相應的應用進行實驗和基于GoldenStander即與手工構建的本體進行比較。面臨挑戰(zhàn)BSN中情景感知仍然面臨著一些分類學習及推理、情景感知架構、環(huán)境感知及監(jiān)控等方面的技術挑戰(zhàn)，具體表現(xiàn)如下(1)分類學習及推理.這包含3個方面的挑戰(zhàn)：1)在平滑約束和自適應學習方面，人類活動包括自然持續(xù)的身體動作，如果在情景中也引入這種平滑約束特性，那么對人體自然行為識別精度將會變得更高.此外，既然實際的BSN應用需要長期的連續(xù)時間工作，這就要求系統(tǒng)具有自適應性，不僅能夠?qū)W習新出現(xiàn)的情景信息，而且還能忘記以前發(fā)生過并已經(jīng)學習的情景信息，這樣它就不必重新學習。2)在分類器設計方面。傳統(tǒng)的傳感器融合技術主要依賴于分類器的推理能力，如用于活動識別的樸素貝葉斯分類器、用于日常活動跟蹤的分級Markov模型和用于識別心率紊亂的基于貝葉斯框架的人工神經(jīng)網(wǎng)絡分類器。因此分類器設計是至關重要的，其目的是基于所有感知數(shù)據(jù)來產(chǎn)生最優(yōu)的結果而不考慮分類結果的相關性，從而更好地對目標進行分類?3)在訓練數(shù)據(jù)方面,訓練數(shù)據(jù)是分類器準確率的重要保障，因此也是在情景感知中的另一個挑戰(zhàn)。一方面在很多場景中，要求病人進行一些特定活動以獲得足夠大訓練數(shù)據(jù)集合是不現(xiàn)實的。另一方面，大量使用傳感器來獲得真實的訓練數(shù)據(jù)將會面臨實際的部署困難情景感知架構建立.用于醫(yī)療健康監(jiān)控的BSN系統(tǒng)，特別是真實的健康醫(yī)療的BSN應用將會涉及到設計、開發(fā)、部署和管理上下文信息及各項系統(tǒng)任務的需求這要從架構的角度進行考慮，必須設計一個通用合理的情景感知架構來解決以上問題建立這樣的情景感知架構的挑戰(zhàn)在于：架構中需要考慮的因素多且關系復雜，這些因素包括情景感知系統(tǒng)的模擬、安裝、調(diào)試、維護以及加入新感知設備或節(jié)點，移除舊的感知設備或節(jié)點，更新系統(tǒng)組件等；合理的情景感知架構不僅要能夠高效地獲取上下文信息，還要有效地將它們進行融合和推理。SOM的不穩(wěn)定性和訓練數(shù)據(jù)依賴性。自組織映射(SOM)的不穩(wěn)定性表現(xiàn)在它是基于神經(jīng)元輸入屬性或特征的快照進行匹配的，準確性極易受特征變化的影響?在一些情景應用中，每個活動可以包含一系列的子活動，受其影響，這種情況下的結果活動模式不再受到本地神經(jīng)元簇的限制，它往往會跨過大片區(qū)域的映射而和其他活動的神經(jīng)元產(chǎn)生重疊，這將對SOM總的識別精度起到相反的影響效果。SOM依賴性表現(xiàn)在受過訓練映射的神經(jīng)元活動模式高度依賴訓練數(shù)據(jù)的分布。如果輸入空間的某個區(qū)域包含頻繁激勵，它會被SOM大片區(qū)域所表示，并因此會出現(xiàn)依賴于訓練數(shù)據(jù)中類的記錄個數(shù)的偏差?由于動態(tài)和靜態(tài)混合激勵的存在，因此控制分類識別率是困難的，類誤匹配也無法避免。3.研究現(xiàn)狀及發(fā)展趨勢情景感知在BSN應用中所處的位置非常重