物联网感知模型及弱可用数据条件下的计算方法研究

The combination of Internet of things (IoT) and big data can make IoT to reach the ultimate goal of intelligent service in many fields. The data of IoT presented a significant weak usability problem, which made IoT facing challenges in meeting reliability, accuracy and construction cost requirements and, as a consequence, affecting the development of IoT from information perception to intelligent services. Based on the preliminary established IoT universal multi source sensing model, this project studies the core computing method from data collection to forecasting service in view of the common problems of weak data usability in order to improve the accuracy and precision of IoT and reduce the system design and application cost, including: (1) Feature extraction methods for sparse data; (2) Multi source data correlation analysis for non uniform time series; (3) Data fusion method of subjective and objective data with uncertainty; and (4) Multi source and multi step trend prediction method for non uniform data density with missing data. The results of the study will be verified on a IoT Data Generator EasiResource. Then we will cooperate with Beijing Xiyuan Hospital and test the whole set of results in diagnosis of the chronic low back pain as well as in the process of rehabilitation and life intervention as an application example.

物联网与大数据的结合可以使物联网达到涵盖众多领域的智能服务这一终极目标。目前物联网数据呈现出显著的弱可用性问题，使得物联网在可靠性、精确性和构建成本等方面面临挑战，影响了物联网系统从信息感知向智能服务的发展。.本项目基于前期建立的物联网通用多源感知模型，针对弱可用数据的常见典型问题，研究从数据采集到预测服务这一完整感知计算过程中的核心计算方法，以提升物联网的决策准确性和精度，同时降低系统设计和应用成本。包括：（1）稀少数据条件下的特征提取方法；（2）时序不统一的多源数据相关性分析方法；（3）多源强异构及不确定的主客观数据融合方法；以及（4）数据密度不统一及缺失条件下的多源多步趋势预测方法。研究结果将首先在我们建立的物联网数据产生工具EasiResource上进行验证，然后我们将与北京西苑医院合作，以慢性腰背痛的诊断以及康复过程和生活干预为应用实例，对本项目的研究成果进行实际综合验证。

物联网与大数据的结合可以使物联网达到涵盖众多领域的智能服务这一终极目标。目前物联网数据呈现出显著的弱可用性问题，使得物联网在可靠性、精确性和构建成本等方面面临挑战，影响了物联网系统从信息感知向智能服务的发展。近年来，随着人工智能技术与物联网的深度融合，进入了人工智能+物联网(AIoT)的时代，物联网数据对物联网系统应用从感知、识别、到分类、决策等各种关键过程模型的建立的影响越来越大，关系越来越密切，来自物联网数据的弱可用性制约表现得更为普遍，包括数据样本量不足且质量不佳、异构性强、采集成本和标注成本高昂等，是建立计算模型时的重要挑战问题之一。因此，如何在数据弱可用的条件下构建高质量的物联网计算模型，以及如何适应机器学习和深度学习等AI建模技术，具有重要理论意义和实用价值。.本项目在弱可用数据的条件下，研究从数据采集到决策服务这一完整感知计算过程中的核心计算方法，以提升物联网的决策准确性和精度，同时降低系统设计和应用成本。项目前期的关注点主要包括：（1）稀少数据条件下的数据采集及特征提取方法；（2）时序不统一的多源数据相关性分析方法；（3）多源强异构及不确定的主客观数据融合方法及迁移学习；（4）数据密度不统一及缺失条件下的多源多步趋势预测方法。项目后期，随着人工智能技术的融合，我们把关注点扩展到如何在弱可用数据的条件下，计算方法适应机器学习和深度学习等建模技术的要求，特别是研究了基于小样本的识别与分类模型构建方法以及推理模型中的压缩加速方法，以使得工作能与时俱进保证先进性。.项目的研究成果在实际应用场景中得到了验证和应用，与中医科学院西苑医院合作，以慢性腰背痛的诊断以及运动康复为应用实例，形成了一套完整的基于肌电测量的非特意腰背痛辅助医疗诊断和运动康复指导系统。本项目发表了20篇论文、申请了3项中国发明专利、培养了9名研究生，整体完成了项目研究任务和指标。