可穿戴的电子智能服装是多学科交叉技术的融合,在服装设计理念上是一次大胆的创新,它是在计算机硬件技术不断发展,各种高集成、超微型的元器件的不断出现以及新的计算机理论与技术的不断成熟的背景下应运而生的。另一方面,随着健康越来越受到人们的关注,基于多源信息融合的医学辅助诊断的研究越来越受到人们的重视,这些研究工作主要可以分为两大类,一类是简单的基于规则的生理特征决策系统,另一类是现代多信息融合方法,如贝叶斯决策、神经网络等。本文将智能服装和多源信息融合的医学辅助诊断这两个关键技术相结合,在已有研究成果的基础上设计实现了一个面向智能服装的多信息融合医学诊断系统。首先,本文实现了算法上的优化。一方面,研究了一般医学诊断所使用的多源信息融合算法,对这些融合算法进行比较,选取可靠性和识别率相对较高的,重点研究了小波支持向量机在多生理信息融合的医学辅助诊断中的应用。另一方面,为了提高训练的效率,又研究了基于序列最小最优化的并行支持向量机训练算法,并结合LabVIEW在并行计算上的先天优势,设计并实现了基于LabVIEW的并行SMO算法,通过实验验证了通过并行算法的实施使支持向量机的训练效率随着处理器的增加得到明显提高。其次,介绍了面向医学诊断的智能服装的体系结构。该系统分为信号采集、信号处理、信号反馈三层。通过前端传感器采集人体生理信息,由无线设备传至后台,后台的监控软件对信息进行相应处理,得到诊断结果后反馈给用户。监控软件基于Windows平台,采用C#语言实现,也是该系统自主研发的一部分。最后,论文给出了两个在智能服装上进行医疗辅助诊断的应用:重症监护和心肌缺血诊断,通过对权威数据库的数据进行训练和测试论证了本文方法的可行性,并在后台监控软件上实现了这两个应用的人机交互界面。同时,又对本系统所采用的小波支持向量机做了性能分析,证明本方法的收敛性能和分类正确率优于小波神经网络和高斯和支持向量机。综上,面向医学辅助诊断的智能服装综合运用了传感器、可穿戴计算、数字信号处理、嵌入式系统等技术,将医学诊断功能嵌入到服装内,以实现在线医疗诊断。这种诊断方式对于慢性病的长期监测和急性病的在线辅助临时治疗均大有用武之地。