一种基于改进GDN算法的智能手环生理指标异常分析方法及系统技术方案

本发明专利技术涉及一种基于改进GDN算法的智能手环生理指标异常分析方法及系统，包括：步骤1：获取数据集即生理指标数据并进行预处理；步骤2：构建改进GDN网络模型；步骤3：将预处理后得到的数据集对构建的改进GDN网络模型进行端到端的训练；步骤4：将实时数据即智能手环的生理指标数据通过预处理后，传输至步骤3训练好的改进GDN网络模型中，使用训练好的权重文件，对传感数据的时间序列进行实时分析,构建各个传感器之间数据关系，同时对异常行为信息进行分类，得到异常分类结果；步骤5：根据异常分类结果，调用医疗知识图数据库对相关人员指定相应应对措施。应对措施。应对措施。

【技术实现步骤摘要】
一种基于改进GDN算法的智能手环生理指标异常分析方法及系统


[0001]本专利技术涉及一种基于改进GDN算法的智能手环生理指标异常分析方法及系统，属于长时间序列异常检测


技术介绍

[0002]随着科技的进步与社会的发展，对于特定场所特定人群生理状态的实时监测的需求越来越大，如养老院、精神病院等场所，目前对于此类特定场所的监测还是以视频摄像头监控为主，但随着监控范围的扩大，不可避免对监控人员的精力和数量提出了更高的要求，同时也增加了劳动成本。目前很多研究人员为了解决这个问题，提出了采用智能设备的方法，即使用便携式智能设备如手环等，对特定人群的生理状态进行实时检测，对出现异常状态的人员及时进行报警，所以采用智能设备对特定人群进行生理指标分析是目前满足特定场所监测需要的分析技术。
[0003]传统的长时间序列异常监测(Timeseries Anomaly Detection,TAD)算法主要是基于循环神经网络(Recurrent Neural Network,RNN)的算法和基于机器学习的算法。循环神经网络算法主要以长短时记忆网络(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，包括步骤如下：步骤1：获取数据集即生理指标数据并进行预处理；步骤2：构建改进GDN网络模型；步骤3：将步骤1预处理后得到的数据集对步骤2构建的改进GDN网络模型进行端到端的训练；步骤4：将实时数据即智能手环的生理指标数据通过步骤1所述的预处理后，传输至步骤3训练好的改进GDN网络模型中，使用训练好的权重文件，对传感数据的时间序列进行实时分析,构建各个传感器之间数据关系，同时对异常行为信息进行分类，得到异常分类结果；步骤5：根据异常分类结果，调用医疗知识图数据库对相关人员指定相应应对措施。2.根据权利要求1所述的一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，对数据集或实时数据进行预处理，包括：首先，将多维生理指标数据使用MinMaxScaler进行归一化处理，多维生理指标数据通过传感器获得；将生理指标数据变化为改进GDN网络模型的输入形式，即按照时间戳将相同类型的生理指标数据进行排列，得到的一连串数据即生理指标数据时间序列，变化为张量A[T,L]，T为时间戳，L为生理指标数据时间序列长度；然后，对张量A[T,L]进行滑窗处理，产生[T
‑
W+1,L,W]大小的张量，W为滑窗长度；同时建立所有传感器节点同其它传感器的有向图[2,L*(L
‑
1)]，有向图[2,L*(L
‑
1)]不包含自身所有，只有L*(L
‑
1)条边；最后，将张量[T
‑
W+1,L,W]和建立的有向图[2,L*(L
‑
1)]使用pytorch的Dataloader类进行封装，产生设定batch大小的张量[B,L,W]及有向图[B,2,L*(L
‑
1)],B代表batch大小，L代表传感器节点，W代表节点特征，成为输入改进GDN网络模型的数据。3.根据权利要求1所述的一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，改进GDN网络模型包括依次连接的传感器嵌入层、图结构学习层、图注意力预测层、输出调整层、异常分类层、图偏差评分层；传感器嵌入层用于：将预处理后的传感数据作为输入，将不同传感器数据的相似性加以表示；embedding即向量嵌入经过权重随机初始化后，参数大小设置为[L,N],N为通道数,将传感器节点[1,L]输入后学习得到[L,N],从而实现传感器的向量嵌入；图结构学习层用于：学习不同传感器之间的关系，所述关系采用有向图表示，其中，从一个传感器到另一个传感器的边表明第一个传感器用于模拟第二个传感器的行为；用邻接矩阵A来表示这个有向图；在传感器嵌入层得到的嵌入向量[L,N],归一化处理，在进行尺寸调整确保嵌入传感数据的格式，得到v[L*B,N]及w[L,N]，然后进行计算cos距离来得到不同传感器之间的相似关系；图注意力预测层用于：使用一种基于预测的方法，即基于传感器过去的行为预测每个传感器的预期行为；图偏差评分层,基于过去预测每个传感器每次的预期行为；异常分类层用于：根据图偏差评分层的异常得分，将t时刻的预期行为与观测到的行为进行比较，计算出t时刻的传感器i的误差值Err，对异常的传感器异常进行简单分类，使之
符合输入进入医疗知识图数据库的特征；进一步优选的，计算cos距离来得到不同传感器之间的相似关系，如式(I)、式(II)所示：A
ji
＝1{j∈TopK({e
ki
:k∈v})}
ꢀꢀꢀꢀ
(II)式(I)、式(II)中，e
ji
为当前传感器节点和其他传感器节点的相似度；i为当前传感器节点；j为其他传感器节点；v
i
为当前传感器节点的嵌入向量；v
j
为其他传感器节点的嵌入向量；A
ji
为传感器的邻接矩阵；K为相似度的最高的前K个节点，K的值由用户根据所需的稀疏程度选择；e
ki
为某个节点和其他节点的相似度；在完成计算相似度e
ji
之后，得到一个整体所有传感器相似关系的邻接矩阵A[L
‑
1,L
‑
1]，采用Topk的方法对不同传感器的相似度进行排序，筛选出影响较大的传感器，作为边缘信息输出,最终得到邻接矩阵A，大小为[K,K]，再根据影响数据值的大小将传感器序号从大到小排列得到[2,K],依据batch大小将邻接矩阵再进行重复放大延长，即放大为[2,B*K]。4.根据权利要求3所述的一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，图注意力预测层中，在时间t时，根据大小为w的滑动窗口，即将t时刻前w长度的历史时间序列定义改进GDN网络模型的输入，图注意力预测层包括一种基于图注意力的特征提取器，以学习到的图结构即不同传感器关系的邻接矩阵A为基础，将节点的信息与其相邻节点进行融合；...

【专利技术属性】
技术研发人员：陈雷，秦野风，周斌，
申请(专利权)人：山东大学，
类型：发明
国别省市：