近年来,可穿戴传感器系统的研究受到了学术界、产业界的广泛重视。与传统计算系统相比,可穿戴传感器系统具有明显的优势,它们更加便携、更加用户友好、更易与使用者合而为一等等。由于这些特点,人们在许多领域开发了可穿戴传感器系统的应用,例如医疗、生活、军事、体育等。在这些应用中,可穿戴传感器系统表现出了对社会经济的发展和社会问题的解决起到的巨大的作用,以及巨大的应用潜能。　　然而,可穿戴传感器系统在实际应用中仍然表现出一些技术问题,其中,算法效率问题是其面对的最紧迫的挑战之一。这个问题源于可穿戴传感器系统的上层算法技术（数据挖掘算法）与其底层硬件平台基础存在着的本质矛盾:一方面,可穿戴传感器系统产生大量的用户（传感器）数据,系统需要对这些数据进行复杂的数据挖掘（数据分析、数据融合、数据传输等）,这些任务对系统资源产生了巨大的需求压力;另一方面,可穿戴传感器系统作为一种嵌入式系统,系统资源有限,具体来说,其供能受限（电池供电）、计算能力有限、无线通信带宽受限等。这两方面的矛盾在实际应用中表现出高系统能耗/低待机时间、高系统延迟/低系统稳定性、高数据传输误码率/低无线通信可靠性等问题。这些因素本质上由系统的数据处理方法效率产生,可以概括为数据挖掘算法效率问题。算法效率问题降低了系统的实用性,它的解决对于可穿戴传感器系统的应用具有重要的现实意义。　　本论文针对以上可穿戴传感器系统中数据挖掘效率问题展开研究,研究内容涵盖相关领域中两种主要的技术,即非监督式聚类技术和监督式分类技术。论文通过实际可穿戴传感器系统平台的研发证明了算法的表现,其不但能满足系统对于计算准确率的需求,更能使系统在高效率的状态下运行,有效的解决了上述算法效率问题。相比与传统方法,论文提出的算法在效率与效力两方面均取得突破。　　针对非监督式聚类技术,论文分析了我们所研发的远程心电监护系统(WE-CARE系统)在心血管健康监护和早起预警应用中所面临的问题,并提出了高效率的MEP（Manifold-based ECG-feature Purification,“基于流形学习的心电特征提纯”）非监督式聚类算法作为解决方案。实验表明,相比于传统算法,该算法可以达到更高的准确率,同时大大提高算法效率,例如,WE-CARE系统的通信可靠性得到明显提升,用户终端设备的待机时间得到有效提高。　　针对监督式分类技术,论文在分析我们所研发的智能鞋垫系统(Smart Insole系统)所面临的问题,提出了Fall Perception（Primitive-based Feature Cleansing forMotion Data,“运动数据的元语特征清洗”）监督式分类算法,该算法可以有效的支撑Smart Insole系统的跌倒保护应用,与传统算法相比,本算法达到了更高的准确率,并且系统延迟和设备续航时间得到有效的改善,这项重要系统性能优化源于算法效率的改进。　　论文采用理论与实践相结合的研究方法,即在我们自己研发的实际平台系统上,深度挖掘科学问题,探索高级算法,以解决系统在应用中所面临的挑战。系统研发与科研工作相辅相成,相互促进。此外,我们在论文中也进一步指出,虽然以上两种算法分别基于各自的可穿戴传感器平台的具体应用提出,但是算法不失一般性,可以广泛地支撑可穿戴传感器系统的实际应用。论文给出了算法的拓展方法,并利用两种可穿戴传感器系统EEG HeadPhone系统和eCushion系统给出了算法的拓展实例。　　综上所述,本论文以可穿戴传感器系统的高效率数据挖掘算法为研究主题,选题面向国计民生领域的健康应用需求,具有极大的社会应用价值。而且课题本身属于信息技术与医学的前沿交叉领域,本论文的探索性研究,为该前沿新方向的进一步深入研究工作奠定了理论与技术基础,论文在理论与实践两方面都做出了原创性贡献。