專利名稱：普適環(huán)境下面向體征狀態(tài)識別的上下文感知中間件方法
技術領域：
本發(fā)明提出了一種普適環(huán)境下面向體征狀態(tài)識別的上下文感知中間件方案，引入隱馬爾可 夫模型構造了一個識別體征狀態(tài)的上下文感知中間件，屬于普適計算領域，更進一步屬于上下 文感知中間件領域。
背景技術：
隨著計算機、移動計算以及傳感器網(wǎng)絡的發(fā)展，計算變得無處不在。1991年美國的馬克 維 瑟博士于提出了普適計算(Ubiquitous or Pervasive Computing),這種計算模式的最終目標 是將由通信和計算機構成的信息空間與人們生活和工作的物理空間融為一體，支持用戶"隨時 隨地"并"透明"地獲得符合其個性化需求的信息服務。普適計算模式要求計算設備能夠感知 用戶所處的上下文及其變化，并做出相應的動作。研究人員把這種能感知用戶上下文信息進而 調整系統(tǒng)行為的技術稱為上下文感知技術(context-aware)。
上下文感知計算是普適計算領域研究的核心內容之一。上下文感知計算是指系統(tǒng)能發(fā)現(xiàn)并 有效利用上下文信息(如用戶位置、時間、環(huán)境參數(shù)、鄰近的設備
和人員、用戶活動等)進行計算的一種計算模式。上下文是環(huán)境本身以及環(huán)境中各實體所明示 或隱含的可用于描述其狀態(tài)(含歷史狀態(tài))的任何信息。其中，實體既可以是人、地點等物理實 體，也可以是諸如軟件、程序、網(wǎng)絡連接等虛擬實體。上下文包括①計算上下文，如網(wǎng)絡的可用 性、網(wǎng)絡帶寬、通信開銷、周邊的打印機、顯示器等資源:②用戶上下文,包括用戶的個性、位 置、周圍的人員、甚至社會關系等;③物理上下文,如光線的明暗、噪聲的大小、交通狀況、氣 候、溫度等。上下文感知計算系統(tǒng)有三個特征1)根據(jù)上下文迸行信息推送服務；2)根據(jù)上 下文自動觸發(fā)執(zhí)行相應動作；3)跟蹤上下文的變化，用戶可以査詢相關的上下文信息。
現(xiàn)在，上下文感知計算的研究已經(jīng)向著上下文感知中間件方向發(fā)展。上下文感知中間件是 指構建上下文感知應用的基礎支撐軟件，它獨立于特定的上下文感知應用，并能簡化各種感
知應用的開發(fā)。基于上下文感知中間件的系統(tǒng)一般可分為三層低層是物理、邏輯傳感器，中 間層是上下文感知中間件，在低層和中間層之間是上下文信息采集接口；上層是上下文感知應 用，在中間層和上層之間是上下文信息使用接口，比如査詢訂閱等。其中，上下文感知中間件 分離了上下文信息的采集與感知應用的開發(fā)，向上對應用開發(fā)者提供統(tǒng)一的上下文信息使用接 口，向下可以接入各類物理或邏輯傳感器，此處指的是廣義的傳感器，它可以是物理器件也可 以是軟件系統(tǒng)。這種分離也使得上下文信息的管理更加簡易方便。
上下文感知中間件的架構常常受到一些因素的影響，如用戶設備的能力，是否支持多用戶， 對非功能屬性的要求，系統(tǒng)的開放程度等等。面向不同類型、不同要求的感知應用，中間件的 架構設計也會有所不同。對于大多數(shù)的上下文感知中間件來說，它們的架構都包含了 5個層次:1. 傳感器接入層。負責上下文的發(fā)現(xiàn)語接入。
2. 上下文采集層。負責上下文信息的采集。
3. 上下文聚合與解釋層。負責上下文的推理、沖突檢測與解決。
4. 上下文存儲與管理層。負責上下文建模、存儲以及管理，推理規(guī)則定義，隱私控制等。
5. 應用接口層。是上層應用程序使用上下文感知中間件的接口，提供包括査詢與訂閱等等功能。
隱馬爾可夫模型(HMM)是一種由馬爾可夫模型發(fā)展起來的統(tǒng)計模型，它是迄今為止最重要 的統(tǒng)計模型之一。HMM善于解決系統(tǒng)中表層的事件可能是由低層的事件觸發(fā)的問題，它是為了 解決我們觀察的事件是'通過一定的概率分布和狀態(tài)相聯(lián)系的問題提出的。HMM是一個雙重隨機 過程，包括兩個部分，其中一個是具有一定狀態(tài)數(shù)目的馬爾可夫鏈，這是基本的隨機過程，描 述狀態(tài)的轉移，用轉移概率描述；另外一個是一般隨機過程，描述狀態(tài)和觀察值之間的統(tǒng)計對 應關系，用觀察值概率描述。由于模型中只有觀察值是可見的，而狀態(tài)的轉移過程是不可見的， 因此稱為隱馬爾可夫模型。
一個HMM總是包括這幾個參數(shù)狀態(tài)總數(shù)iV;每個狀態(tài)對應的觀測事件數(shù)M ;狀態(tài)轉移
概率矩陣j;每個狀態(tài)下取所有觀測事件的概率分布矩陣5;起始狀態(tài);r,一個HMM總可以用 一個五元組;i二C/V，Jl/,45,;r)來表示。使用HMM,我們需要解決三個最基本的問題其一是 估計問題，如何在給定模型參數(shù);L二(W，M，v4，5，;r)和觀測序列0的情況下，計算出在該模型 下觀測事件序列發(fā)生的概率戶(0/A), —般可以通過前向算法和后向算法來解決；其二是解碼 問題，在給定模型參數(shù)和觀測序列的條件下，找出一個最佳狀態(tài)序列，這個最佳狀態(tài)序列可以 最為合理的解釋觀測序列。這個問題可以通過Viterbi算法解決；其三是學習問題，對于一個 給定的觀測序列O，怎么通過改變模型參數(shù);i、7V，A/,J,5，;r),可以得到一個最好的解釋這 個觀測序列的模型，即使得戶(0/;i)最大。對于這個問題，可以通過Baum-Welch算法來解決。

發(fā)明內容
技術問題本發(fā)明的目的在于提供一種普適環(huán)境下應用于體征狀態(tài)識別的上下文感知中間 件方法，本發(fā)明不同于現(xiàn)有同類方案，現(xiàn)有方案提出的面向體征狀態(tài)識別應用的上下文感知中 間件存在三個問題， 一個是功能比較死板，缺乏可針對用戶個體體征特點設定不同服務策略的 支持，服務不支持個體化，針對性不強；另一個是靈活性和適應性有欠缺，上層應用需求發(fā)生 變化后不能及時提供方便的服務策略調整；還有一個是缺乏對于體征狀態(tài)變化趨勢的預測能力， 這種預測能力對于很多的上層應用來說是非常重要的。本發(fā)明提出的方案可以有效地解決這幾 個問題。
技術方案本發(fā)明在應用于體征狀態(tài)識別的上下文感知中間件中引入隱馬爾可夫模型，其 目標在于解決此類中間件中存在的服務不夠個體化，針對性不強的問題以及靈活性和適應性不 強的問題。本發(fā)明又進一步使用了概率統(tǒng)計的方法，其目的在于進一步解決此類中間件體征狀 態(tài)變化趨勢預測能力的問題。
該方法具體包括以下步驟
步驟1〉.如果上下文感知中間件是初次使用，給體征狀牽識別和預測模塊中的隱馬爾可夫 模型體征狀態(tài)識別子模塊參數(shù)設定初始值，初始值由上層應用接口模塊傳入，并送入體征狀態(tài) 識別和預測模塊中的參數(shù)設定子模塊，參數(shù)設定子模塊接收初始參數(shù)值，設定相應的模型參數(shù)；
如果上下文感知中間件不是初次使用，忽略此步驟直接轉步驟2;步驟2).體征參數(shù)信息從傳感器接入模塊傳入上下文感知中間件，傳感器接入模塊協(xié)調解決中間fMS息處理速度和信息傳入速度之間的差異，必要時進行信息差錯控制和校正，傳感器接入模塊將體征參數(shù)信息傳給體征信息采集與處理模塊；
歩驟3).體征信息采集與處理模塊控制中間件進行上下文采集，并接收體征參數(shù)信息，對體征參數(shù)信息做預處理，形成預處理信息并送給體征狀態(tài)識別和預測模塊；
步驟4).體征狀態(tài)識別和預測模塊接收預處理信息.其中由隱馬爾可夫模型體征狀態(tài)識別子模塊對預處理信息進一步處理，轉換成為自身隱馬爾可夫模型結構包含的轉移狀態(tài)中的某一種，通過和狀態(tài)集中的元素比對，實現(xiàn)狀態(tài)的轉移；
如果上下文感知中間件是初次使用，或者體征狀態(tài)識別和預測模塊中的隱馬爾可夫模型體征狀態(tài)識別子模塊的參數(shù)被修改，那么繼續(xù)步驟5，否則轉步驟6;
步驟5).隱馬爾可夫模型體征狀態(tài)識別子模塊按照上文描述的體征狀態(tài)識別過程，先使用前向算法和后向算法，接著使用Baum-Welch算法，再使用Viterbi算法，實現(xiàn)對子模塊自身的隱馬爾可夫模型參數(shù)的調整；調整反復進行， 一直到子模塊達到穩(wěn)定狀態(tài)；
步驟6).隱馬爾可夫模型體征狀態(tài)識別子模塊根據(jù)隱馬爾可夫模型工作的原理對個體所處的體征狀態(tài)作出判定，完成對體征狀態(tài)的識別，將體征狀態(tài)識別的結果傳送給上層應用接口模塊；
如果上下文感知中間件需要具有對體征狀態(tài)變化趨勢作出預測的功能，轉步驟7，否則轉步驟8;
步驟7).按照上述描述的體征狀態(tài)變化趨勢預測過程，由體征狀態(tài)識別和預測模塊中的狀態(tài)統(tǒng)計子模塊和狀態(tài)預測子模塊共同協(xié)作完成體征狀態(tài)變化趨勢的預測，最后狀態(tài)預測j子模塊將當前平穩(wěn)的體征狀態(tài)和預測的體征狀態(tài)的信息整合成預測信息傳遞給上層應用接口模塊，這就完成了體征狀態(tài)的變化趨勢預測，
步驟8).上層應用接口模塊接收體征狀態(tài)識別的結果和預測信息，傳給上層應用，
步驟9).從步驟2到步驟8的過程中，任何時刻對體征狀態(tài)識別和預測模塊中的隱馬爾可夫模型體征狀態(tài)識別子模塊的參數(shù)值做修改，參數(shù)值都由上層應用接口模塊接收，并送入體征狀態(tài)識別和預測模塊中的參數(shù)設定子模塊；參數(shù)設定子模塊接收參數(shù)值，修改相應的模型參數(shù);此步驟完成后轉步驟5，如果不需要修改體征狀態(tài)識別和預測模塊中的隱馬爾可夫模型體征狀態(tài)識別子模塊的參數(shù)值，此步驟可以忽略。
有益效果本發(fā)明提供了一種普適環(huán)境下面向體征狀態(tài)識別的上下文感知中間件方案，和現(xiàn)有的同類中間件方案相比，本發(fā)明提出的中間件具有幾個顯著優(yōu)點
1. 服務個體化，針對性強。應用于體征狀態(tài)識別的中間件服務的個體體征有自己的特點，比如，每個人全天的體溫變化規(guī)律各不相同。因此，應用于體征狀態(tài)識別的中間件在服務策略上要應個體不同而有所調整變化，也就是要求服務能夠個體化，有針對性。本發(fā)明引入了隱馬爾可夫模型識別體征狀態(tài)，通過對于模型內部參數(shù)的一些調整，就可以實現(xiàn)針對不同個體對象體征特點制定不同服務策略的功能，從而提供個性化，針對性強的服務。
2. 服務可調整，適應性和靈活性好。任何種類的中間件都是針對具體的上層應用開發(fā)的，上
層應用不同，中間件服務的策略也不同。當上層應用開發(fā)需要適當調整中間件的服務策略時，本發(fā)明通過修改設定隱馬爾可夫模型的狀態(tài)轉移概率和觀察值概率，就可以實現(xiàn)中間件服務策略的調整，具有較好的適應性和靈活性。
53.支持體征狀態(tài)預測。對于很多上層應用的開發(fā)來說，應用于體征狀態(tài)識別的上下文感知中間件對于體征狀態(tài)變化趨勢的預測能力是非常重要的。比如某個糖尿病人的血糖實時監(jiān)控系統(tǒng)，當血糖快要到達某個特定的危險值之前，系統(tǒng)就應該給出警告，這就需要上下文感知中間件需要支持預測功能。本發(fā)明提出的這種中間件方案采用了一系列概率統(tǒng)計的方法實現(xiàn)了體征狀態(tài)變化趨勢預測的功能。支持體征狀態(tài)預測，這是本發(fā)明的一個顯著的優(yōu)點。


圖1是本發(fā)明設計的應用于體征狀態(tài)識別的上下文感知中間件的框架結構，外圍傳感器設備釆集的體征參數(shù)值從傳感器接入模塊流入中間件，從左到右依次經(jīng)過中間件內部各個模塊的處理，最后從上層應用接口模塊輸出體征狀態(tài)識別的結果和預測信息，用戶通過上層應用接口模塊可以修改中間件的內部參數(shù)，如圖，設定修改的參數(shù)信息從上層應用接口模塊流入中間件。
圖2是體征狀態(tài)識別和預測模塊的內部框架圖。
圖3是體征狀態(tài)識別的示意圖。
具體實施例方式
中間件框架和模塊功能本發(fā)明設計的應用于體征狀態(tài)識別的上下文感知中間件框架結構
如圖1所示。這個上下文感知中間件包括四個主要模塊
1. 傳感器接入模塊。這個模塊是物理設備和中間件的接口，負責將體征傳感器等體征信息采集設備采集到的體征參數(shù)信息等傳入中間件，同時負責協(xié)調解決信息處理速度和信息傳入速度之間的差異，盡力保證體征信息不丟失，盡力保證中間件對體征信息的處理速度保持在一個比較平穩(wěn)的狀態(tài)，必要時還可以做一些信息的差錯控制和校正。
2. 體征信息采集與處理模塊。這個模塊負責控制上下文的采集，并負責對采集到的體征參數(shù)值做初步的聚合，分析，格式轉換等等信息的預處理工作，這些預處理工作因體征信息的種類和特點而異，要結合具體應用考察。
3. 體征狀態(tài)識別和預測模塊。這是本發(fā)明最核心的部分，完成對體征狀態(tài)的識別和預測，同時提供對于隱馬爾可夫模型參數(shù)的設定修改。體征狀態(tài)識別和預測模塊的內部框架如屈2所
示。這個模塊包含四個子模塊隱馬爾可夫模型體征狀態(tài)識別子模塊、狀態(tài)統(tǒng)計子模塊、狀態(tài)預測子模塊和參數(shù)設定子模塊。隱馬爾可夫模型體征狀態(tài)識別子模塊對前面體征信息采集與處理模塊輸出的預處理信息作進一步地處理，轉換成為自身的隱馬爾可夫模型結構包含的轉移狀
態(tài)中的某一種，通過和狀態(tài)集中的元素比對，實5見狀態(tài)的轉移。接下來，隱馬爾可夫模型結構
將根據(jù)隱馬爾可夫模型的工作原理對個體所處的體征狀態(tài)給出一個判定，完成對體征狀態(tài)的識別。狀態(tài)統(tǒng)計子模塊統(tǒng)計在某一段固定長度時間里隱馬爾可夫模型中所有轉移狀態(tài)的出現(xiàn)次數(shù)，將統(tǒng)計信息傳給狀態(tài)預測子模塊，狀態(tài)預測子模塊根據(jù)統(tǒng)計信息進行預測，最后輸出預測結果。參數(shù)設定子模塊負責接收上層應用設定修改的隱馬爾可夫模型參數(shù)，并對模型做出相應的修改。體征狀態(tài)識別和預測模塊實現(xiàn)了對中間件的服務個體化，并使得上下文感知中間件表現(xiàn)出了針對性，靈活性和適應性，同時還支持對體征狀態(tài)變化趨勢的預測，是本發(fā)明的重點內容，下文將詳細描述體征狀態(tài)識別和預測模塊的體征信息處理流程。
4. 上層應用接口模塊。這個模塊負責提供給上層應用使用上下文感知中間件的方法等，
中間件也通過這個模塊將體征狀態(tài)識別的結果和預測信息傳給上層應用。上層應用對隱馬爾可夫模型設定和修改的參數(shù)值也通過這個模塊傳送進體征狀態(tài)識別和預測模塊。體征:^態(tài)識別和預測模塊的體征信息處理流程1.體征狀態(tài)識別雌
體征狀態(tài)識別的示意圖如圖3所示，為了示意，圖3中隱馬爾可夫模型的狀態(tài)集和和觀察集中的元素數(shù)目都是3個，實際上元素個數(shù)應該因具體情況而有所變化。
體征信息采集與處理模塊輸出的預處理信息進入體征狀態(tài)識別和預測模塊后，首先送入信息轉換功能模塊做進一步處理，轉換成為隱馬爾可夫模型的狀態(tài)集包含的轉移狀態(tài)中的某一種，送入隱馬爾可夫模型和狀態(tài)集中的轉移狀態(tài)做比對，并把狀態(tài)集的狀態(tài)從原來所處的狀態(tài)轉移到當前比對成功的狀態(tài)。設隱馬爾可夫模型的狀態(tài)集為W ， iV中包含的轉移狀態(tài)為巧,n2,A……。狀態(tài)間的轉移概率矩陣為^，表示當輸入的轉移狀態(tài)發(fā)生變化以后，從一個狀態(tài)轉換到另一個狀態(tài)的所有概率構成的矩陣。觀察集g,其中包括體征狀態(tài)&，《2,《3 ,體
征狀態(tài)的概率分布矩陣為B,它對應著在某個轉移狀態(tài)下面選擇某個特定體征狀態(tài)的概率構成的矩陣。則該系統(tǒng)中的隱馬爾可夫模型結構可以表示為義=(N， Q， A, B， ；r),在這里使用TV和g分別表示其對應的集合中元素的個數(shù)，；r表示轉移狀態(tài)的初始概率，其中的元素為;r,。 5矩陣中的概率值也就是矩陣的元素分別用《j和^來表示，/， _/， A都是整數(shù)。
接著我們就來解決上文背景部分提到的應用隱馬爾可夫模型要解決的三個基本問題。首先是用前向算法和后向算法解決識別問題。前向算法如下初始階段我們先給定一個
;i = (N， q， A， b， ；r)和一個觀察序列o = q0203......or,先求出尸(o/義)
首先定義前向變量"<(/>為HMM在時間Z輸出序列C^0々203 O,，并且位于狀態(tài)w,
(Z,=",)的概率or,(/)== "J A):
先初始化= ;rA,，；
接著循環(huán)(_/ )=
,'=i
6" ，ls"r-i，i".2iv
最后終止，求出p(o/;i):尸(0|義)=|>7(/)
"1
這里使用的是前向算法求出尸(o/;i),當然我們也可用后向算法。后向算法如下定義后向變量A (/)=, o,+2,…cv ， = n; i ;i) i s (s r -1表示從時刻z+1到終止時刻t的觀測序列為o,+1，o,+2，*-cv,并且在時刻r滿足狀態(tài)z, = a的概率。
初始立A(/)-l,(l2WA0;
隨后遞歸，有A(0-i;^A^A+,(力，^nj-2,…，l;l^、iV
最后p(o/;i)-^;a(/)
接下來，我們需要解決學習問題，調整隱馬爾可夫模型的參數(shù)，使得調整后模型的
尸(O / ;i)達到最大。我們使用Baum-Welch算法
7定義表示/時狀態(tài)為以及/ + 1時狀態(tài)為 的概率，即
《(/,力=戶(《"JO,"
S S "力X V,+, A力')
=藝《(/,力表示f時狀態(tài)為的概率，S, = "0')表示在時刻1經(jīng)過狀態(tài)",的次 乂=1
數(shù)。如此，我們可以對矩陣^， 5的元素作出參數(shù)估計
r-i
W:^f^——，表示在時刻T內，狀態(tài)w,.轉移到狀態(tài) 的總次數(shù)，除以在時刻T內， 狀態(tài)",被經(jīng)過的總次數(shù)；
~ '=i
~(" = ^-，表示在時刻T內，經(jīng)過狀態(tài) ，并且狀態(tài) 對應的觀測事件為、
的總數(shù)除以時刻T內，經(jīng)過狀態(tài) 的總數(shù)。
模型的學習過程可以不斷的循環(huán)重復，直到滿足系統(tǒng)的要求停止。 對模型的參數(shù)進行過調整以后，觀察序列不變，接下來我們使用Viterbi算法來找出一個 最合理解釋這個觀測序列的最佳狀態(tài)序列
找一個狀態(tài)序列，這個狀態(tài)序列在f時狀態(tài)為/，并且狀態(tài)/與前面f-l個狀態(tài)構成的狀 態(tài)序列的概率值最大，即
《(z') = max 尸[^"2…",—= 02 '"0, |義]
"l，"2,…",習l '' '
可以把我們要求解的問題理解為求出在T時刻最大的&(z')所對應的狀態(tài)序列。 先柳臺化"^，
《(_/)=, 2s"r,i《jv
接下來是循環(huán)遞歸^.、 m ,.、 n
is柳
尸* =max[W)])
在T時刻終結."'^
wr :argmax[^y(/)]
最后求出這個最佳的狀態(tài)序列《-Ud)， f = r —1,r一2，…，1 , Viterbi算法結束。
8到此，本系統(tǒng)的隱馬爾可夫模型結構就設定完成了，如果上層應用沒有修改調整模型的參 數(shù)，系統(tǒng)將在這個比較穩(wěn)定的結構下按照概率分配實現(xiàn)對個體體征狀態(tài)的識別。設定這個隱馬 爾可夫模型的過程，就是實現(xiàn)服務個體化的過程，對不同的個體而言，隱馬爾可夫模型設定好 以后的參數(shù)都是不一樣的，不同的參數(shù)反映了個體的差異性。通過設定隱馬爾可夫模型使得上 下文感知中間件對個體的服務更具針對性。如果上層應用通過參數(shù)設定子模塊修改調整了模型 的參數(shù)，那么系統(tǒng)將重新再解決一次應用隱馬爾可夫模型要解決的三個基本問題，重復上述的 步驟，直到模型穩(wěn)定下來，實現(xiàn)了上下文感知中間件的服務策略的改變，可見，系統(tǒng)表現(xiàn)出了 對于應用需求變化的適應性和靈活性。
2.體征狀態(tài)變化趨勢預測過程
接下來描述體征狀態(tài)變化趨勢預測過程。體征狀態(tài)變化趨勢預測主要依靠狀態(tài)統(tǒng)計子模塊、 狀態(tài)預測子模塊來完成。狀態(tài)統(tǒng)計子模塊以一個定長的時間段為單位統(tǒng)計穩(wěn)定的隱馬爾可夫模
型狀態(tài)集中的所有轉移狀態(tài)在這個時間段里出現(xiàn)的次數(shù)，不妨設這個定長的時間段長度為r， 現(xiàn)有一段時間r它被按照時間段長度r分割成為時間連續(xù)的片段7;，r2，7;……，在某一個時 間片段7;,各個轉移狀態(tài)出現(xiàn)的次數(shù)為夂A，/,，//，構成一個統(tǒng)計集合 FA = {j^ 11 S，在次數(shù)統(tǒng)計完成以后，狀態(tài)統(tǒng)計子模塊按照式i分別求出各個狀 態(tài)在時間段r出現(xiàn)的概率
式i- ^!^",l化Ar
,=1
狀態(tài)統(tǒng)計子模塊按照式2計算各個轉移狀態(tài)出現(xiàn)頻率的變化率，其中《是一個 和具體應用有關系的參數(shù)值-
pfc 一pH ,—艸-1
式2:《="';' ，0^1
將所求出的所有if和《的值送入狀態(tài)預測子模塊，狀態(tài)預測子模塊求出 < 和々的最大
值 1 ,
尸/ = max{if },1 S /《AU 《W, 由此知道轉移狀態(tài)y'被選中了，在觀察值矩陣fi中找到選定的轉移狀態(tài)j'對應的體征狀態(tài)
中概率最大的一個，就是從平均的角度來說，在當前時間片？；內個體對象大體上所處的一個比 較穩(wěn)定的體征狀態(tài)，我們稱為當前平穩(wěn)的體征狀態(tài)。
《=max"}, 1SiV, 1" SW ，
考慮到隱馬爾可夫模型中的狀態(tài)矩陣j也是影響因素，按照式3作出比較式3:
Mcc P^/we = max {"6". + (1 — ,max { }},
其中-是和實際應用有關的因子，02,^1,即選擇兩者中最大的值，將最大值對應的轉 移狀態(tài)作為選定的轉移狀態(tài)(即s或w )，然后在觀察值矩陣5中找到與選定的轉移狀態(tài)對應的 體征狀態(tài)中概率最大的一個，這個體征狀態(tài)就是預測的體征狀態(tài)。
最后，狀態(tài)預測子模塊將當前平穩(wěn)的體征狀態(tài)和預測的體征狀態(tài)的信息整合成預測信息提供給上層應用接口模塊，這就完成了體征狀態(tài)的變化趨勢預測。
為了方便描述，假定有以下應用實例上下文感知中間件需要采集的用戶上下文信息參數(shù) 為體溫，血氧，脈搏。上層應用場景為心臟病病房護理系統(tǒng)。上層應用需要對每個病人設定不 同的護理策略，并且需要對病人的身體狀況進行預測。已知正常人的體溫在37。左右，血氧在 95%左右，脈搏在65左右。則體征狀態(tài)識別和預測模塊模塊中隱馬爾可夫模型體征狀態(tài)識別子 模塊中有3X3X3=27個轉移狀態(tài)，分別對應3個上下文信息參數(shù)各自的三種不同情況構成的組 合(比如其中一個轉移狀態(tài)為體溫<37°且血氧>95%且脈搏<65)。觀察集里則有3個體征狀態(tài)， 分別是病情好轉，病情穩(wěn)定，病情惡化。
假設對于某一個心臟病病人甲而言，他病情比較穩(wěn)定的狀態(tài)為體溫36. 5°附近，血氧94 %附近，脈搏58附近。則上下文感知中間件按照以下步驟來工作-
步驟1:初始時隨機設定上下文感知中間件的模型參數(shù)，模型參數(shù)值從上層應用接口模塊 傳入中間件的體征狀態(tài)識別和預測模塊中的參數(shù)設定子模塊，由它完成模型參數(shù)的初始化。如 果病人甲不是初次使用該中間件，可以忽略此步驟，直接進入步驟2。
步驟2:體溫，血氧，脈搏的外圍采集設備將采集到的用戶上下文信息，也就是這些體征 參數(shù)值從傳感器接入模塊傳入中間件，并由傳感器接入模塊平衡體征參數(shù)值的傳入速率和中間 件的信息處理速率。
步驟3:體征信息采集與處理模塊對體征參數(shù)值進行預處理，將信息經(jīng)過分析，轉化為體 溫>37° 、血氧〉95%、脈搏〉65之類的預處理信息。
步驟4:體征狀態(tài)識別和預測模塊接收預處理信息，其中由隱馬爾可夫模型體征狀態(tài)識別 子模塊對預處理信息作進一步處理，轉換成為自身隱馬爾可夫模型結構包含的轉移狀態(tài)中的某 一種，比如體溫〉37'且血氧〉95%且脈搏>65,并和狀態(tài)集中元素做比對，實現(xiàn)狀態(tài)的轉移。
如果上下文感知中間件是初次使用，或者體征狀態(tài)識別和預測模塊中的隱馬爾可夫模型體 征狀態(tài)識別子模塊的參數(shù)被修改，那么繼續(xù)步驟5,否則轉步驟6。
步驟5:隱馬爾可夫模型體征狀態(tài)識別子模塊按照上文描述的體征狀態(tài)識別過程逐步自我 調整達到第一次穩(wěn)定，并且根據(jù)隱馬爾可夫模型工作的原理對病人甲所處的體征狀態(tài)作出判定， 完成第一次的體征狀態(tài)識別，將體征狀態(tài)識別的結果傳送給上層應用接口模塊。
這次的體征狀態(tài)識別結果是不符合要求的，醫(yī)生繼續(xù)針對病人甲的具體情況來不斷調整模 型參數(shù)，隱馬爾可夫模型體征狀態(tài)識別T模塊先通過前向算法和后向算法，再通過Baum-Welch 算法，接著通過Viterbi算法對子模塊自身的隱馬爾可夫模型參數(shù)進行自我調整，調整過程不 斷地重復， 一直到模型穩(wěn)定下來為止。最后穩(wěn)定下來的上下文感知中間件滿足在病人甲的上下 文信息為體溫36.5'附近，血氧95%附近，脈搏58附近時輸出的體征狀態(tài)識別結果是病情穩(wěn) 定，在某一個醫(yī)生認為代表狀態(tài)好轉的轉移狀態(tài)時，輸出的識別結果是病情好轉，等等?？傊?， 穩(wěn)定下來的上下文感知中間件能夠體現(xiàn)病人的個體特點和醫(yī)生的診斷效果。
對于不同的病人，醫(yī)生通過設定不同的模型參數(shù)就可以達到自己的要求。比如剛才例子里 的病人甲病情穩(wěn)定的轉移狀態(tài)對病人乙來說代表著病情惡化，那么醫(yī)生通過修改模型參數(shù)就可 以調整過來，上下文感知中間件表現(xiàn)出了很好的靈活性和適應性，對每個病人的服務非常地個 體化，針對性很強。 .
步驟6:隱馬爾可夫模型體征狀態(tài)識別子模塊根據(jù)隱馬爾可夫模型工作的原理對病人甲所 處的體征狀態(tài)作出判定，完成對體征狀態(tài)的識別，將體征狀態(tài)識別的結果傳送給上層應用接口模塊；如果需要進行病人甲的體征狀態(tài)變化趨勢預測，那么繼續(xù)步驟7，否則轉步驟8。
步驟7:按照上文描述的體征狀態(tài)變化趨勢預測過程，由體征狀態(tài)識別和預測模塊中的狀 態(tài)統(tǒng)計子模塊和狀態(tài)預測子模塊共同協(xié)作完成病人甲體征狀態(tài)變化趨勢的預測，最后狀態(tài)預測 子模塊將當前平穩(wěn)的體征狀態(tài)和預測的體征狀態(tài)的信息整合成預測信息傳遞給上層應用接口模 塊，這樣的預測信息比如"當前大體上病情穩(wěn)定，未來可能病情好轉"，完成了體征狀態(tài)的變化 趨勢預測。
步驟8:上層應用接口模塊接收病人甲的體征狀態(tài)識別的結果和預測信息，傳給上下文感 知中間件上層的心臟病病房護理應用系統(tǒng)。
步驟9:從步驟2到步驟8的過程中，醫(yī)生在任何時刻對體征狀態(tài)識別和預測模塊中的隱 馬爾可夫模型體征狀態(tài)識別子模塊的參數(shù)值做修改，參數(shù)值都由上層應用接口模塊接收，并送 入體征狀態(tài)識別和預測模塊中的參數(shù)設定子模塊；參數(shù)設定子模塊接收參數(shù)值，修改相應的模 型參數(shù)；此步驟完成后轉步驟5，如果醫(yī)生沒有修改體征狀態(tài)識別和預測模塊中的隱馬爾可夫 模型體征狀態(tài)識別子模塊的參數(shù)值，此步驟可以忽略。
1權利要求
1. 一種普適環(huán)境下面向體征狀態(tài)識別的上下文感知中間件方法，其特征在于該方法具體包括以下步驟步驟1). 如果上下文感知中間件是初次使用，給體征狀態(tài)識別和預測模塊中的隱馬爾可夫模型體征狀態(tài)識別子模塊參數(shù)設定初始值，初始值由上層應用接口模塊傳入，并送入體征狀態(tài)識別和預測模塊中的參數(shù)設定子模塊，參數(shù)設定子模塊接收初始參數(shù)值，設定相應的模型參數(shù)；如果上下文感知中間件不是初次使用，忽略此步驟直接轉步驟2；步驟2). 體征參數(shù)信息從傳感器接入模塊傳入上下文感知中間件，傳感器接入模塊協(xié)調解決中間件信息處理速度和信息傳入速度之間的差異，必要時進行信息差錯控制和校正，傳感器接入模塊將體征參數(shù)信息傳給體征信息采集與處理模塊；步驟3). 體征信息采集與處理模塊控制中間件進行上下文采集，并接收體征參數(shù)信息，對體征參數(shù)信息做預處理，形成預處理信息并送給體征狀態(tài)識別和預測模塊；步驟4). 體征狀態(tài)識別和預測模塊接收預處理信息，其中由隱馬爾可夫模型體征狀態(tài)識別子模塊對預處理信息進一步處理，轉換成為自身隱馬爾可夫模型結構包含的轉移狀態(tài)中的某一種，通過和狀態(tài)集中的元素比對，實現(xiàn)狀態(tài)的轉移；如果上下文感知中間件是初次使用，或者體征狀態(tài)識別和預測模塊中的隱馬爾可夫模型體征狀態(tài)識別子模塊的參數(shù)被修改，那么繼續(xù)步驟5，否則轉步驟6；步驟5). 隱馬爾可夫模型體征狀態(tài)識別子模塊按照上文描述的體征狀態(tài)識別過程，先使用前向算法和后向算法，接著使用Baum-Welch算法，再使用Viterbi算法，實現(xiàn)對子模塊自身的隱馬爾可夫模型參數(shù)的調整；調整反復進行，一直到子模塊達到穩(wěn)定狀態(tài)；步驟6). 隱馬爾可夫模型體征狀態(tài)識別子模塊根據(jù)隱馬爾可夫模型工作的原理對個體所處的體征狀態(tài)作出判定，完成對體征狀態(tài)的識別，將體征狀態(tài)識別的結果傳送給上層應用接口模塊；如果上下文感知中間件需要具有對體征狀態(tài)變化趨勢作出預測的功能，轉步驟7，否則轉步驟8；步驟7). 按照上述描述的體征狀態(tài)變化趨勢預測過程，由體征狀態(tài)識別和預測模塊中的狀態(tài)統(tǒng)計子模塊和狀態(tài)預測子模塊共同協(xié)作完成體征狀態(tài)變化趨勢的預測，最后狀態(tài)預測子模塊將當前平穩(wěn)的體征狀態(tài)和預測的體征狀態(tài)的信息整合成預測信息傳遞給上層應用接口模塊，這就完成了體征狀態(tài)的變化趨勢預測，步驟8). 上層應用接口模塊接收體征狀態(tài)識別的結果和預測信息，傳給上層應用，步驟9). 從步驟2到步驟8的過程中，任何時刻對體征狀態(tài)識別和預測模塊中的隱馬爾可夫模型體征狀態(tài)識別子模塊的參數(shù)值做修改，參數(shù)值都由上層應用接口模塊接收，并送入體征狀態(tài)識別和預測模塊中的參數(shù)設定子模塊；參數(shù)設定子模塊接收參數(shù)值，修改相應的模型參數(shù)；此步驟完成后轉步驟5，如果不需要修改體征狀態(tài)識別和預測模塊中的隱馬爾可夫模型體征狀態(tài)識別子模塊的參數(shù)值，此步驟可以忽略。
全文摘要
普適環(huán)境下應用于體征狀態(tài)識別的上下文感知中間件方法中引入隱馬爾可夫模型，其目標在于解決此類中間件中存在的服務不夠個體化，針對性不強的問題以及靈活性和適應性不強的問題。一步使用了概率統(tǒng)計的方法，其目的在于進一步解決此類中間件體征狀態(tài)變化趨勢預測能力的問題。本發(fā)明解決現(xiàn)有方案提出的面向體征狀態(tài)識別應用的上下文感知中間件存在三個問題，一個是功能比較死板，缺乏可針對用戶個體體征特點設定不同服務策略的支持，服務不支持個體化，針對性不強；另一個是靈活性和適應性有欠缺，上層應用需求發(fā)生變化后不能及時提供方便的服務策略調整；還有一個是缺乏對于體征狀態(tài)變化趨勢的預測能力，這種預測能力對于很多的上層應用來說是非常重要的。
文檔編號G06F9/44GK101510152SQ20091002610
公開日2009年8月19日 申請日期2009年4月1日 優(yōu)先權日2009年4月1日
發(fā)明者劉樹森, 寧 葉, 孫力娟, 超 沙, 王汝傳, 志 陳, 馬守明, 黃海平 申請人:南京郵電大學