[發(fā)明專利]一種異常心電子序列檢測算法設計與應用

在審

• 申請?zhí)枺?/td>: 202010584370.X
• 申請日: 2020-06-24
• 公開（公告）號: CN111753718A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設計）人: 翟波;陳立峰;王巍
• 申請（專利權(quán)）人: 河北循證醫(yī)療科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 南京鼎傲知識產(chǎn)權(quán)代理事務所(普通合伙) 32327
• 代理人: 劉藹民

本發(fā)明公開了一種異常心電子序列檢測算法設計與應用，定義動態(tài)時間片段R，動態(tài)時間片段指用于尋找最相似數(shù)據(jù)點的時間窗口，為子序列中一個連續(xù)時間片段，t_s,t_s+1,......,t_e(e≤d,s≥1,s≤e)；定義哈希函數(shù)hash(.)；其中，w是從范圍[1.0/log₂(N),1?1.0/log₂(N)]中隨機均勻采樣到的哈希函數(shù)寬度參數(shù)，r是從范圍[0,w]內(nèi)隨機選取參數(shù)；本發(fā)明結(jié)構(gòu)科學合理，使用安全方便，本發(fā)明了一種基于動態(tài)局部密度的時間序列異常子序列檢測算法。此算法首先評估子序列的中的每個數(shù)據(jù)點在動態(tài)時間片段內(nèi)的局部密度來評估是據(jù)點的異常度，進而判斷子序列的異常度。

技術(shù)領域

本發(fā)明涉及一種心電子序列檢測算法技術(shù)領域，具體為一種異常心電子序列檢測算法設計與應用。

背景技術(shù)

在現(xiàn)實生活中，各個領域都包含了大量的時間序列數(shù)據(jù)，例如病人的心電圖數(shù)據(jù)、腦電圖數(shù)據(jù)、工業(yè)領域傳感器數(shù)據(jù)以及網(wǎng)絡流數(shù)據(jù)等，時間序列數(shù)據(jù)是按照數(shù)據(jù)產(chǎn)生先后關系形成的數(shù)據(jù)，因此，時間序列數(shù)據(jù)記錄了某個動作在時間維度上的波動信息，而時間序列數(shù)據(jù)中可能包含的異常子序列會包含比大多數(shù)正常的子序列的更多的重要信息，例如，異常的心電數(shù)據(jù)意味著病人可能患有某種類型的心臟疾病，異常的腦電數(shù)據(jù)可能是由癲癇等腦科疾病引起的；工業(yè)傳感器數(shù)據(jù)中的異常序列數(shù)據(jù)可能意味著工廠的某個機器出現(xiàn)了故障；在網(wǎng)絡流數(shù)據(jù)出現(xiàn)的異常流量數(shù)據(jù)說明系統(tǒng)處于被攻擊的狀態(tài)等，時間序列中異常子序列檢測是一個十分重要的領域，含異常模式的時間序列大部分數(shù)據(jù)表現(xiàn)為正常形態(tài)，異常模式出現(xiàn)頻率極少，但極少出現(xiàn)的異常模式卻包含相當重要的信息，因此，時間序列數(shù)據(jù)的異常子序列檢測研究極具現(xiàn)實意義；

關于時間序列異常檢測的研究國內(nèi)外相關學者已經(jīng)做過了大量的工作，其中，有基于監(jiān)督學習的算法，例如:Junshui Ma提出利用One-Class SVM進行時間序列的異常模式檢測，其思想源于One-Class SVM能夠檢測向量數(shù)據(jù)集中的異常點，通過將時間序列數(shù)據(jù)轉(zhuǎn)化到相空間之后，利用正類訓練數(shù)據(jù)訓練出模型，最后使用訓練出來的模型對時間序列進行檢測出是否偏離模型，這樣就能進行時間序列的異常模式檢測，基于無監(jiān)督的學習算法，例如：Izakian提出利用模糊C均值聚類的方法來進行時間序列異常子序列檢測，其思想為將時間序列子序列利用模糊C均值聚類方法進行聚類，聚類簇中心反映了時間序列的模式結(jié)構(gòu)，對原始子序列用聚類中心來進行重新構(gòu)建，正常的子序列模式結(jié)構(gòu)能夠通過通過聚類簇中心較好的重構(gòu)，而異常子序列難以通過聚類中心重構(gòu)，通過比較利用聚類簇中心重構(gòu)之后的子序列與原子序列差異性，來尋找異常子序列，Keogh提出了HOT SAX方法來發(fā)現(xiàn)時間序列中的異常子序列，該方法將時間序列轉(zhuǎn)化為SAX表示方法，利用啟發(fā)式的剪枝策略方法來減少時間序列子序列之間的相似性度量計算，降低了算法的時間復雜度，從而極大提高了時間序列異常子序列檢測效率，Guiling提出了一種基于比特表示聚類的新型檢測算法，首先，使用PAA對時間序列數(shù)據(jù)進行降維，然后，提出了一種改進的K-Medoids聚類算法來合并具有相似變化的子序列，最后，采用二進制位的方法來表示聚類中心，設計了兩種剪枝策略并引入了時間序列的異常檢測算法，Ren等提出了一種基于PAPR表示方式和隨機游走模型的時間序列異常檢測算法PAPR-RW，算法流程是采用PAPR表示時間序列，然后計算PAPR表示數(shù)據(jù)上的相似矩陣，把相似矩陣輸入RW模型中來評估每個子序列可能異常的概率，Senin等提出了基于語法壓縮的時間序列異常檢測算法，其首先把時間序列離散化為符號數(shù)據(jù)，然后推導出上下文無關的語法，并利用其層次結(jié)構(gòu)來發(fā)現(xiàn)與異常相關的算法不規(guī)則性；

在有監(jiān)督的時間序列異常檢測算法中，是基于已知數(shù)據(jù)訓練模型，來檢測未知數(shù)據(jù)的異常情況，但是，在實際應用領域內(nèi)，異常往往是不可知的，且數(shù)據(jù)中可能存在多種不同類型的異常，因此，對于有監(jiān)督的異常檢測算法往往不使用與真實的應用場景；