在远程医疗监测高速发展的今天,体域网应运而生。它是一种应用于人体多体征参数监测的无线传感网络,自面世以来,可穿戴式体域网以低成本实现连续、实时的监测与反馈,给人们的日常生活带来了众多便利。体域网在大数据医疗中有着广泛的应用,其核心技术在于多体征参数的融合,通过数据融合算法,可以推断出当前时刻人体的体征状态,以便医护人员进行及时干预与治疗。然而,体域网数据融合技术并没有统一标准,众多的体征参数如何全面反映体征状况已成为当下的研究热点。鉴于此,为了更好地对体征参数进行融合处理,提高人体体征状态的识别率,本文分别对体域网数据处理与数据融合进行了以下研究:(1)体域网多体征参数的机理、识读与异常检测。体征状态的变化反映在体征参数的波动,因此需要对体征参数的机理进行分析。为了更好地对数据融合模型的性能进行试验,本文采用美国重症监护室所搭建的体域网采集到的体征参数,通过软件编程对其识读,并完成数据的可视化,更直观地明确体征参数之间的时变性与相关性,为异常检测做铺垫。由于该数据集存在大量由传感器故障而产生的异常值,需要对其剔除,因此,本文在考虑到多体征参数机理与特性的前提下,提出了一种适用于体域网的异常值检测算法,该算法在本文的研究中取得了不错的效果。(2)基于改进模糊神经网络的数据融合模型。本文的应用对象为体域网多体征参数,研究对象为数据融合模型,为了找到适用于体域网的数据融合模型,本文对若干种常见的数据融合方法进行说明分析,指出它们与体域网的不匹配性与不适用性,最终确立模糊神经网络作为本文的数据融合算法。针对模糊神经网络极易陷入局部极小值与过拟合的问题,本文对粒子群算法做出改进,并将该算法应用于模糊神经网络的参数与权值寻优,将得到最优参数组合的模型应用到数据融合之中。通过对体域网真实数据进行仿真实验,可知本文采用的数据融合模型具有更高的融合精度。在体域网多体征参数的应用中,本文提出的异常检测算法与数据融合模型可以避免单一传感器因出现差错而引起的误报,提高了体域网体征信息融合的可靠性,可实现对人体体征状况的实施感知与准确判断,并以此做出快速地响应。因此,本文的研究工作具有一定的借鉴意义与应用价值。