CN106446765A - 一种基于多维生理大数据深度学习的健康状态评价*** - Google Patents

Abstract

本发明公开一种基于多维生理大数据深度学习的健康状态评价***，利用非监督卷积神经网络来提取生理时序数据的特征，然后再利用多元高斯分布做特征的异常检测。结果显示，是一种高效的能从原始的生理信号学习信号的高层次特征和多元高斯分布异常检测的生理信号的异常检测***。使用者可以鉴别某些早期病症，提前采取相应的预防措施降低患病风险。

Description

一种基于多维生理大数据深度学习的健康状态评价***

技术领域

本发明涉及医疗检测设备。

背景技术

最近几年，我们的生活和各种各样的智能设备联系得越来越紧密，现代的生活也越来越离不开这些智能设备。利用这些智能设备，现在的人们可以随时随地记录各种各样的生理信号,像血压、血糖、脑电、心电、肌电、体温、呼吸这样的生理信号，通过分析这些信号，我们可以了解一些我们身体现状的信息。

但是，各种类型的慢性非传染性疾病的发病率却越来越高。原因之一是医疗资源相对短缺，生活节奏快的人群往往在身体出现较为严重的问题后才到医院检查就医，导致了治疗的延误。

发明内容

本发明的目的是提供一种不依赖于预先存在标准的异常检测***，能够准确检测潜在的健康问题。

为实现本发明目的而采用的技术方案是这样的，一种基于多维生理大数据深度学习的健康状态评价***，其特征在于:包括后台分析***和检测装置；

所述后台分析***对原始生理数据样本C_q进行分析时，包括以下步骤：

1)获取原始生理数据样本C_q，样本C_q中具有m种生理参数，每一种生理参数均在n₀个时刻被采集；

2)：将原始生理数据样本C_q，归一化处理，得到S_q；

3)特征提取

选定生理数据集中的生理数据样本S_q输入变量，采用设定卷积层滑动窗口的方法，,得到特征映射值构成的数据集H_k；

设定池化窗口的大小，最大值池化数据集H_k，得到数据集I_k：

通过迭代，最终得到特征数据集I_K；

4)以数据集I_K为多元高斯分布的输入，得到高斯概率密度分布函数p(X)，设定ε为阈值；

获得健康状态模型为：

所述检测装置包括数据收集部分和数据分析部分；所述数据收集部分采集到被测者的生理数据保存到矩阵E，并传递给数据分析部分；

E中，具有m种生理参数，每一种生理参数均在pn₀个时刻被采集；

采用与步骤2)相同的方法，将数据样本E，归一化处理得到F；

选定生理数据集中的生理数据样本F输入变量，采用设定卷积层滑动窗口的方法，得到特征映射值构成的数据集PH_k；

设定池化窗口的大小，最大值池化数据集PH_k，得到数据集PI_k：

通过迭代，最终得到特征数据集PI_K；

将特征矩阵PI_K作为所述健康状态模型的生理特征输入矩阵，输出异常或正常。

本发明的技术效果是毋庸置疑的：采用多层卷积网络结构，从输入信号中提取相关的特征表达，然后将其输送给多元高斯分布异常检测模型来检测异常特征。是一种高效的能从原始的生理信号学习信号的高层次特征和多元高斯分布异常检测的生理信号的异常检测***。

附图说明

图1本发明的流程框图；

图2深度神经网络结构；

图3自动编码结构图；

图4特征的高斯分布。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

一种基于多维生理大数据深度学习的健康状态评价***，其特征在于:包括后台分析***和检测装置；

所述后台分析***对原始生理数据样本C_q进行分析时，包括以下步骤：

1)获取原始生理数据样本C_q，q为生理数据样本编号，q＝1、2……，

其中： 为一个生理参数，样本C_q中，具有m种生理参数(如血压、心率、体重、体温等)，每一种生理参数均在t时刻被采集，t＝1、2……n₀；

2)：将原始生理数据样本C_q，归一化处理，得到构建生理数据集{S1、S2……}

3)特征提取

3-1)选定生理数据集中的生理数据样本S_q输入变量，为输入变量设定卷积层滑动窗口的长度L_k和步长A_k，依次从输入变量中提取每一行参数，利用滑动窗口遍历所述的每一行参数，将其切割为若干数据片段其中，i为向上取整获得的值，k＝1、2……K，K为卷积网络层数；

3-2)以数据片段和线性滤波器卷积，加上一个偏置b^k作为可微函数的输入变量,得到特征映射值构成的数据集H_k,所述可微函数选自sigmoid,thanh,ReLU或softplus。

3-3)设定大小为G_K的池化窗口，最大值池化数据集H_k，得到数据集I_k：

3-4)以I_k来更新步骤3-1)所述的输入变量，以k+1来更新k，重新设定卷积层滑动窗口的长度L_k+1和步长A_k+1，重新设定大小为G_k+1的池化窗口，重新设定滤波器重新设定偏置b^k+1；重复3-2)到3-3)，最终得到特征数据集I_K，

L_K和A_K分别为第K次进行步骤3-2)到3-3)时，设定的设定卷积层滑动窗口长度和步长；G_K为第K次进行步骤3-2)到3-3)时，设定的池化窗口大小；

4)以数据集I_K为多元高斯分布的输入，得到高斯概率密度分布函数p(X)，设定ε为阈值；

获得健康状态模型为：

所述检测装置包括数据收集部分和数据分析部分；所述数据收集部分采集到被测者的生理数据保存到矩阵E，并传递给数据分析部分；

其中：

为一个生理参数，样本E中，具有m种生理参数，每一种生理参数均在pt时刻被采集，pt＝1、2……pn₀；

A)采用与步骤2)相同的方法，将数据样本E，归一化处理得到

B)选定生理数据集中的生理数据样本F为输入变量，为输入变量设定卷积层滑动窗口的长度L_k和步长A_k，依次从输入变量中提取每一行参数，利用滑动窗口遍历所述的每一行参数，将其切割为若干数据片段其中，u为向上取整获得的值，k＝1、2……K，K为卷积网络层数；

C)以数据片段和线性滤波器卷积，加上一个偏置pb^k作为sigmoid,thanh,ReLU和softplus等可微函数的输入变量,得到特征映射值构成的数据集PH_k：

D)设定大小为G_K的池化窗口，最大值池化数据集PH_k，得到数据集PI_k：

E)以PI_k来更新步骤3-1)所述的输入变量，以k+1来更新k，重新设定卷积层滑动窗口的长度L_k+1和步长A_k+1，重新设定大小为G_k+1的池化窗口，重新设定滤波器重新设定偏置pb^k+1；重复3-2)到3-3)，最终得到特征数据集PI_K，重复3-2)到3-3)，最终得到特征数据集PI_K，

L_K和A_K分别为第K次进行步骤C)到D)时，设定的设定卷积层滑动窗口长度和步长；G_K为第K次进行步骤C)到D)时，设定的池化窗口大小；

将特征矩阵PI_K作为所述健康状态模型的生理特征输入矩阵，输出异常或正常。

实施例2：

一种基于多维生理大数据深度学习的健康状态评价***，其特征在于:包括后台分析***和检测装置；

所述后台分析***对原始生理数据样本C_q进行分析时，包括以下步骤：

1)获取原始生理数据样本C_q，q为生理数据样本编号，q＝1、2……，

其中： 为一个生理参数，样本C_q中，具有m种生理参数，每一种生理参数均在t时刻被采集，t＝1、2……n₀；

2)：将原始生理数据样本C_q，归一化处理，得到构建生理数据集{S1、S2……}

3)特征提取(生理信号异常检测中，网络结构设计如图2所示,主要包括了特征学习和异常检测两部分)

3-1)选定生理数据集中的生理数据样本S_q输入变量，为输入变量设定卷积层滑动窗口的长度L_k和步长A_k，依次从输入变量中提取每一行参数，利用滑动窗口遍历所述的每一行参数，将其切割为若干数据片段其中，i为向上取整获得的值，k＝1、2……K，K为卷积网络层数；

3-2)以数据片段和线性滤波器卷积，加上一个偏置b^k作为可微函数的输入变量,得到特征映射值构成的数据集H_k,所述可微函数选自sigmoid,thanh,ReLU或softplus。

3-3)设定大小为G_K的池化窗口，最大值池化数据集H_k，得到数据集I_k：

池化层最常见的滤波器大小为2×2，滤波器沿着图像的x轴和y轴，以一定的步长滑动遍历整个图片，而在本专利中，由于信号是一维的时序信号，所以将滤波器设计为2×1，沿着时间轴方向遍历这个时序信号。

3-4)以I_k来更新步骤3-1)所述的输入变量，以k+1来更新k，重新设定卷积层滑动窗口的长度L_k+1和步长A_k+1，重新设定大小为G_k+1的池化窗口，重新设定滤波器重新设定偏置b^k+1；重复3-2)到3-3)，最终得到特征数据集I_K，

L_K和A_K分别为第K次进行步骤3-2)到3-3)时，设定的设定卷积层滑动窗口长度和步长；G_K为第K次进行步骤3-2)到3-3)时，设定的池化窗口大小；

自动编码器通过确定编码函数的参数，将一个输入空间转化为一个新的分布表达的过程称为编码。如图3所示，自动编码器通过减小重构误差，确定解码函数的参数，学习怎样将输出重构出输入信号空间的过程称为解码，其中自动编码器的编码参数也被用来重构输入信号。

本专利中，自动编码用于训练非监督卷积神经网络参数，从原始输入信号中学习信号的特征表示。而从输入信号中学习得到的特征反过来可以作为分类器的输入，以此找到输入信号的某些特点或者是找到输入和目标之间的一个映射关系。

4)以数据集I_K为多元高斯分布的输入，得到高斯概率密度分布函数p(X)，设定ε为阈值；

获得健康状态模型为：

实施例中，所得到的输入八个生理信号的特征符合高斯分布(图4)。如果原始信号异常值的比例为1％，这时阈值ε＝0.2，可以获得一组异常的数据；如果原始信号异常值的比例为5％，这时阈值ε＝0.3，可以获得另一组异常的数据。实施例中，可以将阈值ε设置为0.2、0.23、0.25和0.26，分别得到异常数据的比例为1％、2％、3％和5％，比例可认为是异常数据严重的程度。

所述检测装置包括数据收集部分和数据分析部分；所述数据收集部分采集到被测者的生理数据保存到矩阵E，并传递给数据分析部分；

其中：

为一个生理参数，样本E中，具有m种生理参数，每一种生理参数均在pt时刻被采集，pt＝1、2……pn₀；

A)采用与步骤2)相同的方法，将数据样本E，归一化处理得到

B)选定生理数据集中的生理数据样本F为输入变量，为输入变量设定卷积层滑动窗口的长度L_k和步长A_k，依次从输入变量中提取每一行参数，利用滑动窗口遍历所述的每一行参数，将其切割为若干数据片段其中，u为向上取整获得的值，k＝1、2……K，K为卷积网络层数；

C)以数据片段和线性滤波器卷积，加上一个偏置pb^k作为sigmoid,thanh,ReLU和softplus等可微函数的输入变量,得到特征映射值构成的数据集PH_k：

D)设定大小为G_K的池化窗口，最大值池化数据集PH_k，得到数据集PI_k：

E)以PI_k来更新步骤3-1)所述的输入变量，以k+1来更新k，重新设定卷积层滑动窗口的长度L_k+1和步长A_k+1，重新设定大小为G_k+1的池化窗口，重新设定滤波器重新设定偏置pb^k+1；重复3-2)到3-3)，最终得到特征数据集PI_K，重复3-2)到3-3)，最终得到特征数据集PI_K，

L_K和A_K分别为第K次进行步骤C)到D)时，设定的设定卷积层滑动窗口长度和步长；G_K为第K次进行步骤C)到D)时，设定的池化窗口大小；

将特征矩阵PI_K作为所述健康状态模型的生理特征输入矩阵，输出异常或正常。

Claims (1)

1.一种基于多维生理大数据深度学习的健康状态评价***，其特征在于:包括后台分析***和检测装置；

所述后台分析***对原始生理数据样本C_q进行分析时，包括以下步骤：

1)获取所述原始生理数据样本C_q，样本C_q中具有m种生理参数，每一种生理参数均在n₀个时刻被采集；

2)：将原始生理数据样本C_q，归一化处理，得到S_q；

3)特征提取

选定生理数据集中的生理数据样本S_q输入变量，采用设定卷积层滑动窗口的方法，,得到特征映射值构成的数据集H_k；

设定池化窗口的大小，最大值池化数据集H_k，得到数据集I_k：

通过迭代，最终得到特征数据集I_K；

4)以数据集I_K为多元高斯分布的输入，得到高斯概率密度分布函数p(X)，设定ε为阈值；

获得健康状态模型为：

所述检测装置包括数据收集部分和数据分析部分；所述数据收集部分采集到被测者的生理数据保存到矩阵E，并传递给数据分析部分；

E中，具有m种生理参数，每一种生理参数均在pn₀个时刻被采集；

采用与步骤2)相同的方法，将数据样本E，归一化处理得到F；

选定生理数据集中的生理数据样本F输入变量，采用设定卷积层滑动窗口的方法，得到特征映射值构成的数据集PH_k；

设定池化窗口的大小，最大值池化数据集PH_k，得到数据集PI_k：

通过迭代，最终得到特征数据集PI_K；

将特征矩阵PI_K作为所述健康状态模型的生理特征输入矩阵，输出异常或正常。