14、机器学习算法在生命体征数据处理中的应用及萤火虫算法与神经网络的融合研究

机器学习算法在生命体征数据处理中的应用及萤火虫算法与神经网络的融合研究

1. 生命体征数据的聚类分析

1.1 k-Means 聚类

k-Means 分类器指定五个聚类，平均聚类距离为 2.76。各聚类的平均距离如下：
| 聚类 | 距离 |
| — | — |
| Cluster 0 | 1.713 |
| Cluster 1 | 3.04 |
| Cluster 2 | 8.403 |
| Cluster 3 | 2.323 |
| Cluster 4 | 11.413 |

k-Means 基于生命体征信号的聚类中心表如下：
| 聚类 | CX | CY | CZ | ECG1 | ECG2 |
| — | — | — | — | — | — |
| Cluster 0 | -0.463 | -0.248 | 0.168 | -0.081 | -0.043 |
| Cluster 1 | 0.247 | 0.730 | -0.945 | -0.090 | -0.034 |
| Cluster 2 | -0.275 | -0.006 | -0.222 | 2.653 | 2.320 |
| Cluster 3 | 1.466 | -0.654 | 1.535 | -0.077 | -0.047 |
| Cluster 4 | 0.094 | 0.374 | -0.301 | -2.254 | -3.078 |

从该表可知各聚类中加速度和 ECG 信号的特征：
- Cluster 0：x 轴、y 轴和 z 轴加