可穿戴计算中的大数据技术

2020-12-11史英杰

缔客世界 2020年8期

史英杰

（北京服装学院商学院北京 100029）

引言

随着信息产业的不断发展，可穿戴终端设备不仅具备了更强的计算能力，而且其收集的数据通过网络将智能家居、人、物联网等连接在一起，成为目前最具市场挖掘潜力的互联网智能设备之一。2019年7月，国务院发布了《国务院关于实施健康中国行动的意见》[1]，指出要引导群众建立正确健康观，加强早期干预，形成有利于健康的生活方式，我们将迎来全民健康的时代。可穿戴设备通过传感器监测收集人们的数字化生活记录，例如心电图、脑电图、肌电图、血压和运动惯性等不同细节的数据，利用大数据技术对其进行分析，可以对人们展开中期甚至长期的健康监测及预警，例如睡眠质量、心脏健康状态监测、慢性病预警等。可穿戴计算在全民医疗健康领域具有重要的作用和极大的市场价值。此外，智能佩饰、智能服装等可穿戴设备不仅是市场潜力巨大的时尚消费电子产品，也是互联网及云计算的新型终端。基于这类可穿戴设备收集的海量数据，可以采用大数据技术进行用户行为分析、广告追踪优化、产品分析、推荐决策等，从而在电子商务、智慧生活及社交网络等方面创造极大的社会价值。此外，在个人应用、智慧交通、智慧安防以及社交网络分析等方面，可穿戴计算的大数据分析都可大显身手。总的来说，可穿戴设备是用户数据收集以及互动的基础，而将云计算与大数据技术融入到可穿戴计算中，将成为未来IT行业发展的重要趋势之一。

1 可穿戴计算的发展

上世纪60年代，美国麻省理工学院媒体实验室首次提出了可穿戴技术，利用该技术可以把多媒体、传感器和通信等技术嵌入到人们的衣着中，从而支持手势和眼动操作等多种不同的交互方式[2]。伴随着互联网技术及移动技术的飞速发展，手机、平板电脑等智能终端开始占据人们的生活。此时与智能终端相关联的可穿戴设备开始进入市场，2012年，谷歌公司发布Google Glass，从而将可穿戴设备推向了一个新的高潮。根据IDC2020年发布的全球可穿戴设备报告，2019年全年可穿戴设备出货量达到3.365亿部，相比2018年的1.78亿部增长了89%,目前，可穿戴计算的终端设备正朝着更微型化、个性化和人性化的方向发展，不仅具备更强的数据采集能力及计算能力，而且可以实时进行通信并接入互联网，从而为进一步的分析计算提供海量的基础数据。

2 可穿戴计算领域大数据管理与分析面临的挑战

与其他数据相比，可穿戴计算中的数据具有鲜明的特征。在可穿戴计算环境中，数据源包括传感器数据源和非传感器数据源。非传感器数据源包括用户输入的个人信息、通过APP上传的文本及图像日志等，这类数据和传统互联网大数据的特点基本一致。传感器数据源包括心率和血氧等用户生命体征数据、用户位置与轨迹数据、温湿度和气压等环境数据，这类由传感设备主动产生的数据规模庞大，而且具有强烈的时间和空间相关性，对该类数据的管理和分析则与互联网大数据管理有很大不同。首先，可穿戴计算领域的数据往往涉及海量空间数据管理、海量时间序列数据管理，因此查询类型也更加复杂；其次，由于可穿戴计算领域的数据在时间以及空间上都具有较大的相关性，数据分布极为不均，严重影响了样本数据的平均分布和随机性，这为查询优化带来了较大的难度；此外，在云计算平台上，可穿戴数据规模庞大而且分布存储，但是数据的划分技术却不如分布式数据库中的划分技术成熟，很难利用数据划分带来的查询优势。传统的大数据管理及分析技术无法直接应用于可穿戴计算领域，这就需要研究者们深入挖掘可穿戴计算数据处理与分析的特质，分析已有工作在该领域的不足，探索数据分布和负载特征相关因素并建立相关理论方法体系，从而支持该领域数据的频繁更新及快速的查询分析。

3 可穿戴计算中的大数据技术案例

心血管疾病是危害人类健康的主要疾病之一[3]，研究发现适量的运动可以有效减少心血管疾病的死亡率[4]。随着人们越来越关心身体健康，越来越多的运动检测设备和应用开始出现，常用的衡量运动量的指数包括运动步数、距离和时间等。然而这类衡量指标无法反映用户身体在运动中的状态，因此无法给出运动指导建议或进行疾病风险预警。检测心率可以对人体在运动中的身体状态进行有效监控，HUNT组织在2017年提出了人体运动智能指数PAI。PAI指数通过性别、年龄以及持续的心率值进行计算，而相关研究证明PAI指数可有效反映各年龄段人群罹患心血管疾病的风险。尽管PAI指数具有较高的实用价值，然而由于其计算公式比较复杂，而且连续的心率值数据量较大，其计算过程需要较长时间，这就使其疾病预警功能的时效性大打折扣。对于这类可穿戴计算的大数据分析应用来说，与其耗费大量时间等待精确的结果，短时间内可获得的“足够接近”真实结果的分析反而更有价值。大数据的在线聚集技术根据样本数据估计查询结果，并返回真实结果所在的置信区间[5]，其最大优势是可在较短时间内计算出接近实际的查询结果。将在线聚集技术应用在PAI指数的计算上，可以在较短时间内获得具有一定准确性保证的“估计结果”。