护理监测数据的Hadoop集群动态可视化模型仿真

发布时间：2021-01-16 12:21

　　实现病人护理监测数据的动态可视化,需要完成大量含噪数据的准确实时分析和处理,为此,提出了基于分布式集群的监测数据可视化模型。在采集融合层,护理监测系统通过传感器采集病人的各项生理数据,为降低噪声影响,同时考虑到目标信号幅值波动和幅值较小情况,设计了与噪声均方差相关的自适应门限滤波。分析层收集采集融合后的数据,针对特征提取的非线性,采用小波分解得到特征参数和分布图谱之间的关联函数,根据时间序列分布对特征提取模型进行重构,并将算法部署到分布式集群上,利用将护理监测数据特征提取拆分成多个子任务,同时将各子任务部署到不同的服务器上执行,形成分布式并行处理,最终在应用层得到病人护理实时准确的监测结果。通过仿真,验证所设计模型能够自适应过滤数据中的噪声信号,快速准确的完成护理监测数据的分析,为动态可视化提供可靠的后端处理支持。 

【文章来源】：计算机仿真. 2020,37(08)北大核心

【文章页数】：5 页

【部分图文】：

护理监测系统模型框架

为应对病人护理监测系统产生的大量数据,为可视化实现提供动态高效的数据处理参数,引入Hadoop集群设计,利用HDFS进行数据的持久化,利用MapReduce对数据特征的提取聚类做分布式计算,集群设计和分布式计算实现了可视化特征提取的多级并行操作,所以在精确性与实时性方面都会有所提高。Hadoop可视化特征处理模型描述如图2。根据模型描述,通过采集融合过程,过滤掉原始数据中的噪声后,数据作为Hadoop的输入送至HDFS文件系统。此时,一部分数据和中间参数会被持久化,还有部分数据被作为MapReduce的输入。MapReduce首先将输入采取奇异值判断,再将数据采取聚类操作,得到可视化特征分布情况,根据时域和频域变换,利用小波算法分解得到特征参数和分布图谱之间的关联函数,达到降维化简效果。针对线性模型,利用时间序列重构可视化模型提取数据特征。最终将输入的大量数据经过冗余去除和特征提取分类,转换为有利用价值的诊断状态和分析结果等。

利用Matlab模拟产生传感器信号,服务器端通过Flum对其信号进行收集。由于数据的采集融合效果是影响护理监测数据动态可视化性能的第一个环节,因此,首先对数据的采集融合性能进行评估。图3所示为模拟产生的传感器原始信号,其正弦波形上叠加了动态变化的噪声信号,如果不对其采取滤波处理,必然会造成数据采集的失真和偏差。图4所示为经过采集融合处理后的信号波形,可以看出,正弦信号波形的振荡范围很小,动态噪声过滤比较干净。这是由于本文方法在采集融合处理时引入了自适应门限设定,通过检测无有效信号时的波形范围,确定噪声信号的幅值宽度,当有效信号与噪声信号混合后,利用门限计算滤除其中的噪声信号,由于门限设定与噪声均方差有关,无论有效信号的幅值如何波动,都能够准确检测出噪声信号,从而准确还原有效信号。图4 采集融合后的信号波形

【参考文献】：
期刊论文
[1]融合经济大数据的输电线路可视化模型研究[J]. 叶郑赓,肖晖.  电力大数据. 2019(09)
[2]基于窗口函数和分布式集群的可视化学术搜索系统数据查询优化[J]. 罗希意,霍晓阳,傅洛伊.  上海交通大学学报. 2019(08)
[3]基于云计算和Hadoop的网络舆情监控系统设计[J]. 白茹.  电子设计工程. 2019(16)
[4]基于STK/Matlab的雷达对抗场景动态可视化仿真研究[J]. 徐鹏,王振华.  空军预警学院学报. 2019(01)
[5]船舶安全动态实时监控数据结构可视化技术研究[J]. 代菲菲.  舰船科学技术. 2018(14)
[6]电力设备监测数据的流式计算与动态可视化展示[J]. 李莉,朱永利,宋亚奇.  电力建设. 2017(05)
[7]医院环境下穿戴式实时跟踪护理监测系统的设计[J]. 杜娟,董丹,李强,吕英华,张金玲.  中国医疗管理科学. 2015(05)



本文编号：2980820