基于PPG的单传感器多体征检测算法

为了满足人们居家使用多功能、易携带的医疗电子设备的需求,提出基于单MAX30102传感器测量多体征的算法。对MAX30102温度信号进行回归分析以消除人体体表温度与核心温度之间的误差;采用八点移动平均滤波和FFT算法处理MAX30102的PPG信号求心率值;采用R特征值法计算MAX30102的PPG信号交流和直流分量求血氧饱和度值;采用单路MAX30102的PPG信号求PTT并对其进行回归分析以求取血压值。实验结果分析表明,所提算法最终实现在单个MAX30102上测量四种不同体征,且每个体征参数测量的准确性与标准器件相对比都在准许范围内。

融合XGBoost与FM的混合式学习成绩分类预测

综合考虑混合式学习成绩分类预测中数据存在不平衡性和稀疏性的特点,提出了一种SMOTE-XGBoost-FM混合式学习成绩分类预测模型.首先通过SMOTE采样均衡数据集;针对数据稀疏性问题,使用XGBoost对采样后的数据进行特征交叉,然后对所生成树的叶子节点进行独热编码,以生成高阶特征数据,最后将其输入因子分解机(FM)进行迭代训练以获最优模型.实验结果表明,SMOTE-XGBoost-FM模型在混合式学习成绩分类预测中准确率达到了92.7%,相较于单一的XGBoost、FM模型分别提升了5.7%和11.7%,能有效对学生学习情况进行分类预测,为提高教学效果提供参考.

基于NB-IoT的火灾探测系统设计

NB-IoT技术因其覆盖范围广、低功耗、低成本等特点非常适合用来实时传输环境数据参数,因此文中设计了一种基于NB-IoT的火灾探测系统。本系统以STM32F103C8T6为主控芯片,并集成CO传感器、烟雾浓度传感器和温湿度传感器对火灾敏感参数进行采集,最后通过NB-IoT模块将数据上传至云平台实现数据实时监测。经过验证,本系统可以稳定地将数据上传且成本可控,降低了火灾发生率,可以为消防安全部门提供便利和保障。

Stacking集成学习模型在混合式成绩分类预测中的应用

针对现有单一算法模型在成绩预测时存在泛化能力不强的问题,提出一种基于多算法融合的Stacking集成学习模型,用于混合式教学中学生成绩的预测.模型以多项式朴素贝叶斯、AdaBoost和Gradient boosting为初级学习器,逻辑斯蒂回归为次级学习器组成两层融合框架.通过混合式教学过程中所产生的学习行为数据对模型进行验证.实验表明,Stacking集成学习模型在测试集上分类预测准确率达到76%,分别高于多项式朴素贝叶斯、Ada Boost、Gradient boosting和逻辑斯蒂回归4个单一算法模型5%、6%、9%和6%.与单一算法模型相比,Stacking集成学习模型有着较强的泛化能力,能更好地预测学生成绩,为混合式教学的学习预警提供参考.