一种智能生物信号异常检测方法及系统技术方案

本发明专利技术涉及一种能够对生物信号进行高效准确、低成本的自动分析的智能生物信号异常检测方法及系统，包括模型训练阶段和模型应用阶段，所述模型训练阶段包括：获取生物信号；对获取的信号进行预处理；将预处理后的数据送入CNN‑BilSTM‑Attention组合模型进行特征的提取，其中首先令信号进入CNN卷积神经网络进行空间特性的提取，而后进入双向长短时记忆网路提取时间特性，再通过各个网络连接层，最后通过SoftMax层计算最终结果，在搭建网络的每个环节，通过设置Attention机制，进行信号不同序列点侧重程度的优化；计算网络模型的损失，直至模型损失小于阈值，则模型训练结束，否则利用Adam对模型参数进行优化；本发明专利技术有效提升了生物医学信号的分析效果。

An intelligent detection method and system of biological signal abnormality

【技术实现步骤摘要】
一种智能生物信号异常检测方法及系统
：本专利技术涉及生物信号检测
，具体的说是一种能够对生物信号进行高效准确、低成本的自动分析的智能生物信号异常检测方法及系统。
技术介绍
：凡是存在于自然界的生命体，无论是动物还是人类，都有属于自己的生命体征，随着经济社会的发展，这些生命体征通过现有的仪器能够被转化为信号序列的形式所采集，这些生物信号是生命体生理功能的部分映射，对生命体的生理状态以及生理功能起到有效的检测。对于人类而言，近些年来，人们的生活节奏加快、工作压力增大，心脑血管疾病的发病率和死亡率越来越高，人们的身体正在受到严重威胁，这些生物信号能够对人的身体起到一个有效的反应，因此，对于生物信号的监测与分析是很有意义的；对于除人类以外的其他生命体而言，生物信号也同样具有预警作用。生命体的生理信号包括，压力信号(动/静脉压、膀胱压、子宫内压等等)、生物电信号(心电、肌电、眼电、脑电等等)、低幅神经信号(SNA)、组织氧含量和体温等等。它能够有效的对生理功能进行记录，由于大部分生物信号都需要专业人员进行分析和诊断，因此对生物信号进行详细分析与准确判别，能够在没有其他辅助的情况之下，及时监控生命体的身体状态，对生命体的身体状态起到预警作用，有效预防突发性疾病、降低突发性疾病的死亡率。人工智能技术利用现有的仪器采集生物序列信号，对其进行自动分析和诊断。有效的机器学习方法，如支持向量机、多层感知机、决策树、随机森林等等，都能够对信号进行分类判别，这些方法在建模前，都要进行信号的预处理，从信号中提取人工特征(具体有小波包分析、功率谱估计、能量熵等等)，用于实现最终的分类任务。这些人工提取的信号特征能够展现信号某方面的形态，但却很难利用信号序列的全部特征信息，对于特定的分类任务，人工提取的特征可能不能够满足机器智能学习此分类任务的需求，且对于某些变化较小、不易察觉的异常搏动而言，智能算法可能会失去它的作用。在处理信号分类的问题上，自动的特征提取和代表性方法被证实更加具有可扩展性，且能够做到更加精准的预测，从原始信号序列出发，充分利用信号的全部信息，构建端到端的深度学习框架，它能够允许机器学习最适合其所需特定分类任务的特征。针对生物信号分类任务，近些年来出现了许多的深度学习框架。最经典的方法是搭建卷积神经网络模型，在此基础上，也有自适应的卷积神经网络、导联卷积神经网络等，这些方法证明了使用卷积神经网络能够对生物信号进行高水平的分类。除此之外，还有其他一些深度学习框架也能够进行可靠的信号序列分类，如基于深双向长短时记忆网络模型用于生物信号的分类等。对于一些生命体的生理信号而言，长时间的连续检测显得很重要，对于慢性症状而言，生理状况变化趋势的检测是非常有必要的，因此，对于生物信号的分类不仅仅是单一片段的分类检测，对于连续信号的长时间内的监测分析也是十分重要、十分有发展前景的。在没有辅助手段、专业人员的情况下，为了方便人们及时对自己以及其他生命体的身体状态进行监控，生物信号的智能化分析显得越来越重要，传统的生物信号诊断是由专业诊断人员完成的，但如果需要长时间检测生命体征，24小时获得的信息全部由人来诊断显得费时费力，且由于专业人员疲劳等因素，诊断的准确率也会有所下滑。因此，对生物信号进行高效准确、低成本的自动分析就显得尤为重要。现阶段此类数据处理方法主要存在以下不足：一、对于生物序列信号的预处理主要存在以下缺点和不足：1、针对不同方向的生物序列信号，有不同的处理方法，提取方式较为细致，不能够具备很好的广泛应用能力，当信号形式改变后可能会不再适用。2、对于信号进行分类研究时，样本不平衡影响着分类算法的效果，而在预处理过程中，样本不平衡的问题却很少被提及、很少采取处理方式避免。3、对于信号的处理分析，通常采取片段式处理分析的方式，但对于生物信号而言，有时长时间的连续监测、对变化趋势进行有效反应会显得更重要，现行方法下针对信号的连续监测与分析做的工作很少，在采集仪器上已经实现的信号连续监测，所得到的信息没有被充分的利用起来。二、对于生物时间序列信号进行识别的算法主要存在以下几条缺点和不足：1、人工提取的信号特征能够展现使用传统机器学习方法，如支持向量机、多层感知机、决策树、随机森林等等，进行信号的识别，这些算法虽然拥有很强的数学可解释性，但对于信号特征的要求十分高，需要有经验的人进行特征的有效提取，才能够使识别准确率达到一个基本的要求，这种方法费时费力，且不能够具备很好的泛化能力。2、信号某方面的形态特征，很难反映信号序列的全部特征信息，对于特定的分类任务，人工提取的特征可能不能够满足机器智能学习此分类任务的需求，例如，对于某些变化较小、不易察觉的心脏异常搏动而言，智能算法可能会失去它的作用。3、针对生物信号分类任务，为弥补传统机器学习方法的不足，近些年来出现了许多的深度学习框架，如CNN、RNN、LSTM、SAE等等，它能够对信号序列进行特征自动提取，但是这些网络结构的深度学习框架算法在识别的准确度上还有待提高，且对于信号分类思想的可解释性较差。
技术实现思路
：本专利技术针对现有技术中存在的缺点和不足，提出了一种适用于长时间监测，能够有效提升生物信号的分类准确度以及提升生物信号智能化分析的可靠性，且能够做到对生理状况变化趋势的进行检测的智能生物信号异常检测方法及系统。本专利技术通过以下措施达到：一种智能生物信号异常检测方法，包括模型训练阶段和模型应用阶段，其特征在于所述模型训练阶段包括以下步骤：步骤1：获取生物信号；步骤2：对步骤1中获取的信号进行预处理；步骤3：将步骤2中预处理后的数据送入CNN-BilSTM-Attention组合模型进行特征的提取，其中首先令信号进入CNN卷积神经网络进行空间特性的提取，而后进入双向长短时记忆网路(BiLSTM)提取时间特性，再通过各个网络连接层，最后通过SoftMax层计算最终结果，在搭建网络的每个环节，通过设置Attention机制，进行信号不同序列点侧重程度的优化；步骤4：运用交叉熵损失函数计算步骤3中网络模型的损失，直至模型损失小于阈值，则模型训练结束，否则利用Adam对模型参数进行优化；步骤5：将训练好的CNN-BilSTM-Attention组合模型中连接层的中间结果输出，作为机器学习(如随机森林算法)算法的输入端，进行机器学习模型的训练。本专利技术所述模型应用阶段包括以下内容：步骤6：通过步骤1-5所构建的模型对新的信号序列进行片段截取与分类，综合分类结果，将多个片段的分类结果进行统计，设置阈值，若片段中分类结果为异常超过阈值比例，则最终诊断为异常，否则为正常；步骤7：按照时间顺序采集生物信号，通过循环步骤6，对信号分类结果的长期变化趋势进行有效的监控。本专利技术所述步骤2中预处理具体包括：步骤2-1：数据提取；对于采集的一维信号通道数据进行信号的截取与标注，按序截取预设长度信号片段，提取信号序列局部峰值点周围信号片段，对本文档来自技高网...

【技术保护点】
1.一种智能生物信号异常检测方法，包括模型训练阶段和模型应用阶段，其特征在于所述模型训练阶段包括以下步骤：/n步骤1：获取生物信号；/n步骤2：对步骤1中获取的信号进行预处理；/n步骤3：将步骤2中预处理后的数据送入CNN-BilSTM-Attention组合模型进行特征的提取，其中首先令信号进入CNN卷积神经网络进行空间特性的提取，而后进入双向长短时记忆网路BiLSTM提取时间特性，再通过各个网络连接层，最后通过SoftMax层计算最终结果，在搭建网络的每个环节，通过设置Attention机制，进行信号不同序列点侧重程度的优化；/n步骤4：运用交叉熵损失函数计算步骤3中网络模型的损失，直至模型损失小于阈值，则模型训练结束，否则利用Adam对模型参数进行优化；/n步骤5：将训练好的CNN-BilSTM-Attention组合模型中连接层的中间结果输出，作为机器学习算法的输入端，进行机器学习模型的训练。/n

【技术特征摘要】
1.一种智能生物信号异常检测方法，包括模型训练阶段和模型应用阶段，其特征在于所述模型训练阶段包括以下步骤：
步骤1：获取生物信号；
步骤2：对步骤1中获取的信号进行预处理；
步骤3：将步骤2中预处理后的数据送入CNN-BilSTM-Attention组合模型进行特征的提取，其中首先令信号进入CNN卷积神经网络进行空间特性的提取，而后进入双向长短时记忆网路BiLSTM提取时间特性，再通过各个网络连接层，最后通过SoftMax层计算最终结果，在搭建网络的每个环节，通过设置Attention机制，进行信号不同序列点侧重程度的优化；
步骤4：运用交叉熵损失函数计算步骤3中网络模型的损失，直至模型损失小于阈值，则模型训练结束，否则利用Adam对模型参数进行优化；
步骤5：将训练好的CNN-BilSTM-Attention组合模型中连接层的中间结果输出，作为机器学习算法的输入端，进行机器学习模型的训练。


2.根据权利要求1所述的一种智能生物信号异常检测方法，其特征在于所述模型应用阶段包括以下内容：
步骤6：通过步骤1-5所构建的模型对新的信号序列进行片段截取与分类，综合分类结果，将多个片段的分类结果进行统计，设置阈值，若片段中分类结果为异常超过阈值比例，则最终诊断为异常，否则为正常；
步骤7：按照时间顺序采集生物信号，通过循环步骤6，对信号分类结果的长期变化趋势进行有效的监控。


3.根据权利要求1所述的一种智能生物信号异常检测方法，其特征在于所述步骤2中预处理具体包括：
步骤2-1：数据提取；对于采集的一维信号通道数据进行信号的截取与标注，按序截取预设长度信号片段，提取信号序列局部峰值点周围信号片段，对于信号的分类进行标注，将所有分段信号作为训练网络模型的输入端；
步骤2-2：数据平衡处理；当出现类间样本不平衡的情况，采用模拟生成同类中类似样本的处理方法，增大异常类别的数据集。


4.根据权利要求2所述的一种智能生物信号异常检测方法，其特征在于步骤2-1中数据提取具体包括以下步骤：
步骤2-1-1：将连续的生物信号通过滑动窗分隔成连续的片段；
步骤2-1-2：对步骤2-1-1所获数据进行归一化处理；
步骤2-1-3：获取步骤2-1-2所获数据的局部最大值；
步骤2-1-4：选取预设长度信号；其中通过设定阈值，来确定数据片段中的R峰候选集，将每个选定的R峰作为生物信号的峰值点，选取峰值点周围预设长度的信号，对长度不一致的信号用0填充至预设长度，获取生物信号的原始样本集。


5.根据权利要求2所述的一种智能生物信号异常检测方法，其特征在于步骤2-2所述数据平衡处理，具体包括以下内容：
利用同类样本中的欧氏距离，剔除极端的数据，在样本中查找一个能够很好地反映数据集性质的区域，具体指剔除极端值之后，按照样...

【专利技术属性】
技术研发人员：刘伟，曲媛媛，郑旭东，秦志亮，刘晓炜，谢耘，
申请(专利权)人：威海北洋电气集团股份有限公司，
类型：发明
国别省市：山东;37