利用Levenberg-Marquardt算法增强医疗数据传输

在医疗系统中，患者需使用可穿戴设备进行健康数据与健康状态的远程采集和实时监测。可穿戴设备的采用导致所采集和传输的数据量显著增加。由于设备由小型电池供电，因数据采集与传输的高处理需求，电量会迅速耗尽。鉴于医疗数据的重要性，所有传输数据必须满足严格的完整性与可用性要求。通过采用推断算法减少医疗数据量与传输频率，可延长设备电池寿命。存在以精度与效率提升传输指标的问题，二者相互权衡，例如提高精度会降低效率。本文证明机器学习可用于分析复杂的健康数据指标（如数据传输的精度与效率），利用Levenberg-Marquardt算法克服权衡问题，在减少传输样本数的同时维持精度，从而提升两项指标。该算法使用标准心率数据集进行测试以比较指标。结果显示，LMA表现最佳，在样本数据规模缩减下效率达3.33倍，精度为79.17%，在所采用的7种不同采样情形下精度相近，但效率得到提升。与现有高效率方法相比，这些所提方法利用机器学习在不牺牲任一指标的前提下显著改善了两项指标。