[发明专利]基于卷积自编码器高斯混合模型的健康数据检测方法

说明书

本发明公开了一种基于卷积自编码器高斯混合模型的健康数据检测方法，属于医疗保健技术领域。所述方法采用了自适应、非线性、多层编码的方式将多维数据转为低维特征表示，有效避免了由于“维度灾难”导致的计算开销大而降低检测准确性的问题；该方法性针对人体活动数据的多阶段的特性，加入了卷积与反卷积神经网络层，有效识别并提取数据特征，进一步地提高了检测的精度；本发明将降维过程和密度估计过程有机地结合在一起，避免了两模型独立导致陷入局部最优的窘境；同时考虑到矩阵的奇点问题，协方差矩阵的逆可能会无法求解的问题，利用混合概率、均值和协方差来构造协方差矩阵的cholesky分解，以计算样本密度避免了无法求解的问题。

技术领域

本发明涉及基于卷积自编码器高斯混合模型的健康数据检测方法，属于医疗保健技术领 域。

背景技术

随着现代经济的不断发展，人们对自身的健康状况也越发重视，因此日常生活中对自身 的一些健康数据越来越留意，越来越多的人开始使用一些可监测睡眠数据、运动步数以及静 息心率的可穿戴设备，比如手环。同时若是在就医时，病患能够提供其个人日常健康信息， 将大大地加快诊断速度、提高诊断质量。尤其对于睡眠障碍，阻塞性睡眠呼吸暂停综合症等 慢性病，若是能够根据日常健康数据提前对此类慢性病进行筛查和监测将是整个医疗领域的 一大进步。

可穿戴设备由于其功能性、便携性、价格亲民性的特点，自从2010年以来，在我们的 生活中已经随处可见。但是目前的可穿戴设备仅仅是能够记录睡眠数据、运动步数以及静息 心率等数据，对数据的分析仅仅停留在表面，无法对其进行更深一步的分析处理；比如根据 监测到的用户睡眠时长简单粗暴的判断出佩戴者的睡眠质量。

如果可穿戴设备能够将所监测到日常健康数据进行深度有效分析，以判断用户是否存在 患有某种疾病的风险，尤其是前述提到的一些慢性病，那么将会对监控人们身体健康状况起 着关键性的作用。

但现有的能够对健康数据进行深度分析检测的方法中，如果要达到较高的检测精度通常 都需要很大的计算开销，比如基于高斯混合模型(Gaussian Mixture Model，GMM)的异常 数据监测方法，虽然其性能明显由于K-means和LOF等异常检测算法，但其检测效果在很 大程度上取决于聚类精度，而对大数据进行聚类操作不可避免的要遇到计算开销大的问题。 如果为了适应可穿戴设备，那么需要一种计算开销小，检测精度高的算法，需要在保证检测 精度的前提下降低时间复杂度。

发明内容

为了解决现有的健康数据检测方法存在的计算开销大的问题，本发明提供一种基于卷积 自编码器高斯混合模型的健康数据异常检测方法，所述方法包括：

步骤一：将采集到的原始高维健康数据在卷积自编码器上进行训练，以最小化重构误差 为原则，结合BP优化算法，得到原始高维健康数据的低维特征表示及相应的重构误差；

步骤二：以原始高维健康数据的低维特征作为高斯混合模型的输入计算原始高维健康数 据对应的样本密度，将得到的样本密度最大值记为密度阈值，同时结合EM算法对高斯混合 模型进行训练，得到最优的高斯混合模型参数；

计算过程中，利用混合概率、均值和协方差来构造协方差矩阵的cholesky分解，得到原 始高维健康数据的样本密度；

训练过程中，利用贝叶斯信息准则确定高斯混合模型组件个数，通过EM算法的不断迭 代，对高斯混合模型进行训练，得到最优的高斯混合模型参数；

步骤三：在对健康数据进行检测时，采用最优高斯混合模型参数下的高斯混合模型对原 始高维健康数据的低维特征表示进行密度估计，得到最优高斯混合模型的参数下各原始高维 健康数据的样本密度，超过密度阈值的样本密度对应的健康数据即为异常数据。