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...

【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