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
一种基于多维生理大数据深度学习的健康状态评价*** Download PDFInfo
- Publication number
- CN106446765A CN106446765A CN201610589952.0A CN201610589952A CN106446765A CN 106446765 A CN106446765 A CN 106446765A CN 201610589952 A CN201610589952 A CN 201610589952A CN 106446765 A CN106446765 A CN 106446765A
- Authority
- CN
- China
- Prior art keywords
- data
- physiological
- data set
- sample
- pond
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
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
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Cq进行分析时,包括以下步骤:
1)获取原始生理数据样本Cq,样本Cq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Cq,归一化处理,得到Sq;
3)特征提取
选定生理数据集中的生理数据样本Sq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Hk;
设定池化窗口的大小,最大值池化数据集Hk,得到数据集Ik:
通过迭代,最终得到特征数据集IK;
4)以数据集IK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PHk;
设定池化窗口的大小,最大值池化数据集PHk,得到数据集PIk:
通过迭代,最终得到特征数据集PIK;
将特征矩阵PIK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Cq进行分析时,包括以下步骤:
1)获取原始生理数据样本Cq,q为生理数据样本编号,q=1、2……,
其中: 为一个生理参数,样本Cq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Cq,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Sq输入变量,为输入变量设定卷积层滑动窗口的长度Lk和步长Ak,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bk作为可微函数的输入变量,得到特征映射值构成的数据集Hk,所述可微函数选自sigmoid,thanh,ReLU或softplus。
3-3)设定大小为GK的池化窗口,最大值池化数据集Hk,得到数据集Ik:
3-4)以Ik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Lk+1和步长Ak+1,重新设定大小为Gk+1的池化窗口,重新设定滤波器重新设定偏置bk+1;重复3-2)到3-3),最终得到特征数据集IK,
LK和AK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;GK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IK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Lk和步长Ak,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pbk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PHk:
D)设定大小为GK的池化窗口,最大值池化数据集PHk,得到数据集PIk:
E)以PIk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Lk+1和步长Ak+1,重新设定大小为Gk+1的池化窗口,重新设定滤波器重新设定偏置pbk+1;重复3-2)到3-3),最终得到特征数据集PIK,重复3-2)到3-3),最终得到特征数据集PIK,
LK和AK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;GK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PIK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Cq进行分析时,包括以下步骤:
1)获取原始生理数据样本Cq,q为生理数据样本编号,q=1、2……,
其中: 为一个生理参数,样本Cq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Cq,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Sq输入变量,为输入变量设定卷积层滑动窗口的长度Lk和步长Ak,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bk作为可微函数的输入变量,得到特征映射值构成的数据集Hk,所述可微函数选自sigmoid,thanh,ReLU或softplus。
3-3)设定大小为GK的池化窗口,最大值池化数据集Hk,得到数据集Ik:
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Ik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Lk+1和步长Ak+1,重新设定大小为Gk+1的池化窗口,重新设定滤波器重新设定偏置bk+1;重复3-2)到3-3),最终得到特征数据集IK,
LK和AK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;GK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IK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Lk和步长Ak,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pbk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PHk:
D)设定大小为GK的池化窗口,最大值池化数据集PHk,得到数据集PIk:
E)以PIk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Lk+1和步长Ak+1,重新设定大小为Gk+1的池化窗口,重新设定滤波器重新设定偏置pbk+1;重复3-2)到3-3),最终得到特征数据集PIK,重复3-2)到3-3),最终得到特征数据集PIK,
LK和AK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;GK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PIK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Cq进行分析时,包括以下步骤:
1)获取所述原始生理数据样本Cq,样本Cq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Cq,归一化处理,得到Sq;
3)特征提取
选定生理数据集中的生理数据样本Sq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Hk;
设定池化窗口的大小,最大值池化数据集Hk,得到数据集Ik:
通过迭代,最终得到特征数据集IK;
4)以数据集IK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PHk;
设定池化窗口的大小,最大值池化数据集PHk,得到数据集PIk:
通过迭代,最终得到特征数据集PIK;
将特征矩阵PIK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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610589952.0A CN106446765B (zh) | 2016-07-26 | 2016-07-26 | 一种基于多维生理大数据深度学习的健康状态评价*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610589952.0A CN106446765B (zh) | 2016-07-26 | 2016-07-26 | 一种基于多维生理大数据深度学习的健康状态评价*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106446765A true CN106446765A (zh) | 2017-02-22 |
CN106446765B CN106446765B (zh) | 2019-09-03 |
Family
ID=58184654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610589952.0A Active CN106446765B (zh) | 2016-07-26 | 2016-07-26 | 一种基于多维生理大数据深度学习的健康状态评价*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106446765B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107374632A (zh) * | 2017-07-21 | 2017-11-24 | 青岛康庆和医药科技有限责任公司 | 一种外科手术中的呼吸音监测装置及其使用方法 |
CN107491638A (zh) * | 2017-07-28 | 2017-12-19 | 深圳和而泰智能控制股份有限公司 | 一种基于深度学习模型的icu用户病情预测方法及终端设备 |
CN109085918A (zh) * | 2018-06-28 | 2018-12-25 | 天津大学 | 基于肌电的针灸行针手法训练方法 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN110334869A (zh) * | 2019-08-15 | 2019-10-15 | 重庆大学 | 一种基于动态群优化算法的红树林生态健康预测训练方法 |
CN111898194A (zh) * | 2020-05-25 | 2020-11-06 | 北京空间飞行器总体设计部 | 一种航天器个体在轨空间辐射环境耐受健康度评估及预测方法 |
CN113807527A (zh) * | 2020-06-11 | 2021-12-17 | 华硕电脑股份有限公司 | 信号检测方法及使用其的电子装置 |
CN116564527A (zh) * | 2023-07-11 | 2023-08-08 | 南京裕隆生物医学发展有限公司 | 一种基于生理特征深度学习的呼吸健康分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182772A (zh) * | 2014-08-19 | 2014-12-03 | 大连理工大学 | 一种基于深度学习的手势识别方法 |
CN104346625A (zh) * | 2013-08-09 | 2015-02-11 | 株式会社东芝 | 医用图像处理装置、医用图像处理方法以及分类器训练方法 |
CN104750880A (zh) * | 2015-04-28 | 2015-07-01 | 苏州大学 | 一种基于大数据的人体耐凉能力预警方法及*** |
-
2016
- 2016-07-26 CN CN201610589952.0A patent/CN106446765B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346625A (zh) * | 2013-08-09 | 2015-02-11 | 株式会社东芝 | 医用图像处理装置、医用图像处理方法以及分类器训练方法 |
CN104182772A (zh) * | 2014-08-19 | 2014-12-03 | 大连理工大学 | 一种基于深度学习的手势识别方法 |
CN104750880A (zh) * | 2015-04-28 | 2015-07-01 | 苏州大学 | 一种基于大数据的人体耐凉能力预警方法及*** |
Non-Patent Citations (3)
Title |
---|
MARTIN LANGKVIST等: "A review of unsupervised feature learning and deep learning for time-series modeling", 《PATTERN RECOGNITION LETTERS》 * |
于冰洁等: "基于高斯过程模型的异常检测算法", 《计算机工程与设计》 * |
雷亚国等: "基于深度学习理论的机械装备大数据健康监测方法", 《机械工程学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107374632A (zh) * | 2017-07-21 | 2017-11-24 | 青岛康庆和医药科技有限责任公司 | 一种外科手术中的呼吸音监测装置及其使用方法 |
CN107374632B (zh) * | 2017-07-21 | 2021-12-24 | 浙江通用海特医疗科技有限公司 | 一种外科手术中的呼吸音监测装置及其使用方法 |
CN107491638A (zh) * | 2017-07-28 | 2017-12-19 | 深圳和而泰智能控制股份有限公司 | 一种基于深度学习模型的icu用户病情预测方法及终端设备 |
CN109085918B (zh) * | 2018-06-28 | 2020-05-12 | 天津大学 | 基于肌电的针灸行针手法训练方法 |
CN109085918A (zh) * | 2018-06-28 | 2018-12-25 | 天津大学 | 基于肌电的针灸行针手法训练方法 |
CN109614576B (zh) * | 2018-12-11 | 2022-08-30 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN110334869A (zh) * | 2019-08-15 | 2019-10-15 | 重庆大学 | 一种基于动态群优化算法的红树林生态健康预测训练方法 |
CN111898194A (zh) * | 2020-05-25 | 2020-11-06 | 北京空间飞行器总体设计部 | 一种航天器个体在轨空间辐射环境耐受健康度评估及预测方法 |
CN111898194B (zh) * | 2020-05-25 | 2023-08-22 | 北京空间飞行器总体设计部 | 一种航天器个体在轨空间辐射环境耐受健康度评估及预测方法 |
CN113807527A (zh) * | 2020-06-11 | 2021-12-17 | 华硕电脑股份有限公司 | 信号检测方法及使用其的电子装置 |
CN116564527A (zh) * | 2023-07-11 | 2023-08-08 | 南京裕隆生物医学发展有限公司 | 一种基于生理特征深度学习的呼吸健康分析方法 |
CN116564527B (zh) * | 2023-07-11 | 2023-09-15 | 南京裕隆生物医学发展有限公司 | 一种基于生理特征深度学习的呼吸健康分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106446765B (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446765A (zh) | 一种基于多维生理大数据深度学习的健康状态评价*** | |
CN116705337B (zh) | 一种健康数据采集及智能分析方法 | |
CN103034837B (zh) | 特征参数与脉象要素的关联 | |
CN106821376B (zh) | 一种基于深度学习算法的癫痫发作预警*** | |
CN105595990A (zh) | 一种用于心电信号质量评估判别的智能终端设备 | |
CN109567793B (zh) | 一种面向心律不齐分类的ecg信号处理方法 | |
CN107184198A (zh) | 一种心电信号分类识别方法 | |
CN109674468A (zh) | 一种单导脑电自动睡眠分期方法 | |
CN110020714B (zh) | 模型训练及数据分析方法、装置、设备以及存储介质 | |
CN108597601A (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助***及方法 | |
CN109645989A (zh) | 一种麻醉深度估计方法及*** | |
CN107137093B (zh) | 一种包含异常血糖概率报警器的连续血糖监测设备 | |
CN113768519B (zh) | 基于深度学***的方法 | |
CN110623678A (zh) | 一种血糖测量装置及其数据处理方法、存储介质 | |
CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
CN107242876A (zh) | 一种用于精神状态辅助诊断的计算机视觉方法 | |
CN106951852A (zh) | 一种有效的人体行为识别*** | |
CN110916672A (zh) | 一种基于一维卷积神经网络的老年人日常活动监测方法 | |
CN113576472B (zh) | 一种基于全卷积神经网络的血氧信号分割方法 | |
CN117133464B (zh) | 一种老年人健康智能监测***及监测方法 | |
CN113611414A (zh) | 急性高原病动态监测与性能评价方法及*** | |
CN107595305A (zh) | 焦虑状态检测方法及装置 | |
CN107837083A (zh) | 基于最小二乘支持向量机的j波自动检测方法 | |
Rakshit et al. | Wavelet sub-bands features-based ECG signal quality assessment scheme for computer-aided monitoring system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |