一种异常体温序列检测新方法技术

本发明专利技术公开了一种异常体温序列检测新方法，属于智能医疗领域。针对每个用户，首先以30分钟作为间隔进行采样，选取30分钟内的体温数据的均值作为采样结果。然后将每个用户在采样时间段内测量的所有采样温度值，构成各用户的体温序列，并对体温数据进行预处理，滤除无效值并用插值算法填充数据缺失位置，得到完整体温序列。将完整体温序列根据医院检测结果进行标记，得到各用户的标签。最后按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集，利用训练集训练全连接神经网络，并利用验证集进行验证。利用训练好的全连接神经网络预测待检测用户的体温序列对应的感染情况。本发明专利技术判断更加精准，操作简便，灵活性较强。

【技术实现步骤摘要】
一种异常体温序列检测新方法
本专利技术属于智能医疗领域，涉及基于深度学习的序列分类技术，尤其是一种异常体温序列检测新方法。
技术介绍
新冠病毒具有极强的传染性，并且在感染初期不会表现出非常明显的症状，这使得新冠病毒感染者的排查非常困难。隔离是阻止病毒大规模扩散的关键措施，但医院和宾馆等集中隔离点的容量有限，绝大多数隔离者采取的方式还是居家隔离。但是，家庭环境缺乏必要的检测手段，通常只能通过测量体温来判断自己的健康状态，而导致发热的原因有很多，发热患者中只有很少一部分是新冠病毒感染者。所以，设计一种简易的新冠感染者早期检测技术十分有必要性。目前，对新冠感染者的第一道筛查标准是：体温是否超过37.3摄氏度。这一方案过于简单，没有利用到体温序列中每个数据点之间的相关性；而且它还有非常明显的缺陷：容易与季节性感冒或者与其他原因导致的发热相混淆，导致大量未感染新冠病毒的人需要进行被隔离或者进行核酸检测，容易造成人力财力的浪费；并且无症状感染者的出现使得这一方法在安全性上也存在风险，可能导致有感染者被遗漏。判断连续体温序列是否存在异常情况的关键在于：如何充分利用同一序列中不同时间体温数据之间的相关性。人体的体温在一天中会随着时间而变化，当人处于不同的健康条件下时，体温的变化会表现出特定模式，因此，通过体温序列来判断发热是否由特定病毒引起或是否为无症状感染者具有一定可行性。目前采用的常规方法是：使用传统统计特征(极差、方差等)来对体温序列进行描述，这样做需要耗费大量精力进行模型设计，并且泛用性较差，难以同时识别异常发热患者和无症状感染者。
技术实现思路
针对目前方法无法同时识别异常发热患者和无症状感染者的问题，本专利技术提出了一种异常体温序列检测新方法，泛用性较强。所述的异常体温序列检测方法，包括以下步骤：步骤一、针对每个用户，以30分钟作为间隔进行采样，选取30分钟内的体温数据的均值作为采样结果。步骤二、将每个用户在采样时间段内测量的所有采样温度值，构成各用户的体温序列。步骤三、对采样后的体温数据进行预处理，滤除无效值并用插值算法填充数据缺失位置，得到完整体温序列；预处理是指：针对无效值滤除，针对缺失值进行填充；填充的方法为：为每一个缺失位置，根据其相邻的最近有效数值，设定一个有特定均值和方差的高斯分布，使用这一分布中随机采样的数值作为填充值。步骤四、将每个用户的完整体温序列根据医院检测结果进行标记，得到各用户的标签；标签分为四类：无异常、普通发热、异常发热和无症状感染。步骤五、按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集；步骤六、利用训练集训练全连接神经网络，并利用验证集进行验证；具体步骤如下：步骤601、构建全连接神经网络；所述的全连接神经网络包括三层全连接层和两层BatchNorm归一化层，以及Log-Softmax层，其中每个全连接层后连接一个BatchNorm归一化层，最后的全连接层连接Log-Softmax层；步骤602、首先确定一组全局超参数，对神经网络中的所有权重进行随机初始化；步骤603、将训练集数据输入到全连接神经网络中，使用全连接神经网络的当前权重，计算每个训练集的分类概率；步骤604、使用交叉熵损失函数计算每个训练集的分类概率和各训练数据对应的标签之间的误差；步骤605、利用反向传播算法将误差传播到每个权重上，计算出权重更新的梯度，并使用随机梯度下降算法将梯度再次更新到各权重上。步骤606、返回步骤603，利用更新的权重再次计算训练集的分类概率和与标签的差值，进行权重的更新，直至全连接神经网络的输出达到稳定状态。步骤607、将验证集数据输入全连接神经网络，计算输出结果并计算与验证集标签的正确率。步骤608、对验证集的正确率取平均，作为当前超参数的性能评估指标。步骤609、返回步骤602，不断调整全局超参数，寻找能获得最高正确率的超参数，全连接神经网络训练完毕。步骤七、利用训练好的全连接神经网络预测待检测用户的体温序列对应的感染情况。首先，将全连接神经网络的最后一层去除，并加载最高正确率的超参数对应的网络权重。然后，对待检测新用户进行连续体温采样和预处理。将预处理后的待检测数据输入到加载后的全连接神经网络中，得到一个长度为4的浮点数向量，分别对应无异常、普通发热、异常发热以及无症状感染。输出向量中数值最大位置所对应的类别即为该待检测用户的分类结果。本专利技术的有益效果主要在于以下几个方面：1.一种异常体温序列检测新方法，利用连续体温序列判断特定病毒感染情况，相比于仅使用体温绝对值的方式更加精准。2.一种异常体温序列检测新方法，采用连续体温序列自动插值，在操作上较为简便，灵活性较强。3.一种异常体温序列检测新方法，使用神经网络进行特征提取与分类大幅简化了算法设计难度，并且泛用性较强，可以同时检测无症状感染者。附图说明图1是本专利技术一种异常体温序列检测新方法的原理图；图2是本专利技术一种异常体温序列检测新方法的流程图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图对本专利技术作进一步的详细和深入描述。本专利技术提出一种基于深度学习的异常体温序列检测方法，结合了数据预处理及深度神经网络分类技术，通过连续体温数据序列判断是否感染特定病毒。如图1所示，包括以下步骤：首先、在用户体温数据库中抽取带标签的连续体温序列，构成训练集与验证集；对体温数据进行预处理，滤除无效数据，并利用插值算法补全缺失位置；然后、构建神经网络分类模型，使用训练集和验证集数据进行权重调优；最后、利用优化后的神经网络模型预测连续体温序列所属类别。所述的异常体温序列检测方法，如图2所示，包括以下步骤：步骤一、针对每个用户，以30分钟作为间隔进行采样，选取30分钟内的体温数据的均值作为采样结果。提取每个用户在固定时间点所测量的温度值构成特征描述序列，由于人的体温是连续变化的，在短时间内变化通常不大，过于稠密的采样方式会导致体温序列中存在大量冗余，所以体温采样间隔设定为30分钟，每30分钟中体温数据的均值作为一次采样结果。同时因为用户多在白天佩戴体温监测设备，夜晚获取的测量结果中无效数据过多，所以采样时间段应尽量避开夜晚(如早6点至晚10点)，一天共需采样32个数据点。步骤二、将每个用户在采样时间段内测量的所有采样温度值，构成各用户的体温序列。对于一个用户，通过数据库总体情况来选择一个有效数据较多的时段，通常为早晨6点至晚上10点，将这一时间段按照半个小时一组进行分组，每组中的体温数据取平均值作为一次采样结果，按照时间顺序将多个采样结果排列，构成体温序列。步骤三、对采样后的体温数据进行预处理，滤除无效值并用插值算法填充数据缺失位置，得到完整体温序列；对于序列中存在的无本文档来自技高网...

【技术保护点】
1.一种异常体温序列检测新方法，其特征在于，包括以下步骤：/n步骤一、针对每个用户，以30分钟作为间隔进行采样，选取30分钟内的体温数据的均值作为采样结果；/n步骤二、将每个用户在采样时间段内测量的所有采样温度值，构成各用户的体温序列；/n步骤三、对采样后的体温数据进行预处理，滤除无效值并用插值算法填充数据缺失位置，得到完整体温序列；/n步骤四、将每个用户的完整体温序列根据医院检测结果进行标记，得到各用户的标签；/n步骤五、按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集；/n步骤六、利用训练集训练全连接神经网络，并利用验证集进行验证；/n具体步骤如下：/n步骤601、构建全连接神经网络；/n所述的全连接神经网络包括三层全连接层和两层BatchNorm归一化层，以及Log-Softmax层，其中每个全连接层后连接一个BatchNorm归一化层，最后的全连接层连接Log-Softmax层；/n步骤602、首先确定一组全局超参数，对神经网络中的所有权重进行随机初始化；/n步骤603、将训练集数据输入到全连接神经网络中，使用全连接神经网络的当前权重，计算每个训练集的分类概率；/n步骤604、使用交叉熵损失函数计算每个训练集的分类概率和各训练数据对应的标签之间的误差；/n步骤605、利用反向传播算法将误差传播到每个权重上，计算出权重更新的梯度，并使用随机梯度下降算法将梯度再次更新到各权重上；/n步骤606、返回步骤603，利用更新的权重再次计算训练集的分类概率和与标签的差值，进行权重的更新，直至全连接神经网络的输出达到稳定状态；/n步骤607、将验证集数据输入全连接神经网络，计算输出结果并计算与验证集标签的正确率；/n步骤608、对验证集的正确率取平均，作为当前超参数的性能评估指标；/n步骤609、返回步骤602，不断调整全局超参数，寻找能获得最高正确率的超参数，全连接神经网络训练完毕；/n步骤七、利用训练好的全连接神经网络预测待检测用户的体温序列对应的感染情况。/n...

【技术特征摘要】
1.一种异常体温序列检测新方法，其特征在于，包括以下步骤：
步骤一、针对每个用户，以30分钟作为间隔进行采样，选取30分钟内的体温数据的均值作为采样结果；
步骤二、将每个用户在采样时间段内测量的所有采样温度值，构成各用户的体温序列；
步骤三、对采样后的体温数据进行预处理，滤除无效值并用插值算法填充数据缺失位置，得到完整体温序列；
步骤四、将每个用户的完整体温序列根据医院检测结果进行标记，得到各用户的标签；
步骤五、按照十折交叉验证的方式将带有标签的用户数据划分为训练集和验证集；
步骤六、利用训练集训练全连接神经网络，并利用验证集进行验证；
具体步骤如下：
步骤601、构建全连接神经网络；
所述的全连接神经网络包括三层全连接层和两层BatchNorm归一化层，以及Log-Softmax层，其中每个全连接层后连接一个BatchNorm归一化层，最后的全连接层连接Log-Softmax层；
步骤602、首先确定一组全局超参数，对神经网络中的所有权重进行随机初始化；
步骤603、将训练集数据输入到全连接神经网络中，使用全连接神经网络的当前权重，计算每个训练集的分类概率；
步骤604、使用交叉熵损失函数计算每个训练集的分类概率和各训练数据对应的标签之间的误差；
步骤605、利用反向传播算法将误差传播到每个权重上，计算出权重更新的梯度，并使用随机梯度下降算法将梯度再次更新到各权重上；
步骤606、返回步骤603，利用更新的权重再次计算训练集的分...

【专利技术属性】
技术研发人员：赵志诚，苏菲，白杨，
申请(专利权)人：北京邮电大学，北京微芯边缘计算研究院，
类型：发明
国别省市：北京;11