我国社会开始进入老年化阶段,老龄化趋势明显,患有慢性病的人群也逐渐增长。老化性患者和慢性病患者需要进行长时间的察看与医治,但由于条件的限制及其他因素,这类人群通常是按期到医院复查诊治,那么对病人的治疗效果会不佳,对于慢性病患者而言,他们的生命体征数据应该进行实时监测,否则会严重影响医生的准确诊断。还有一些患者生活不能自理,这就需要进行实时监护,以便得到更好的护理。针对上述问题,本文的主要内容包括:(1)介绍一种非医模式下的健康监护方法。本文的内容是设计基于Android的健康监测系统,通过生理参数监测设备监测并上传人体健康数据,能够实时监测监测对象生理参数数据,包括体温、血压、和心率,并在使用者的健康数据出现异常时报警。(2)针对多任务时间序列中存在的信息挖掘不充分、预测精度低等问题,将机器学习中的监督和半监督学习方式结合起来对远程健康监护对象进行生理状况预测。该方法用K-means算法将相同类别的数据集群,并使用多任务最小二乘支持向量机(MTLS-SVM)来训练历史数据来进行趋势预测。为了评估该方法的有效性,将MTLS-SVM算法与K-means.MTLS-SVM算法比较,实验结果表明该方法具有较高的预测精度。(3)对于长期卧床患者容易出现的痰壅问题,本文提出了一种解决方法,即通过摄像头实时拍摄出患者喉部区域视频图像进行算法处理,提出的VDS算法提取运动目标速度特征然后结合DTW算法和SVM算法对序列图像进行分类识别,识别出病患是否出现痰壅症状,使患者得到及时高效的护理。为了评估该方法的有效性,将本文方法与DTW方法、SVM方法比较,实验结果表明本文方法具有较高的识别率。