[发明专利]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

说明书

本发明涉及一种基于改进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。

技术领域

本发明涉及一种基于改进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领域。

背景技术

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。

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(LSTM)为代表，其存在梯度爆炸的问题，并且对于训练的硬件要求非常高；基于机器学习的算法有聚类和时间序列森林等，但其同循环神经网络仍然存在无法结合多维数据进行时间序列异常检测。

相对于传统的时间序列异常检测算法，基于图神经网络的时间序列异常检测算法，能够很好的结合多维的时间序列，建立不同种类数据之间的拓扑关系，在保证准确率的基础上，实现多维数据对异常情况进行综合分析，同时花费更少的计算资源。

综上，现有的技术存在的主要难题是：目前对于多维数据的融合分析仍然存在较大的空缺，即仅能够对单个时间序列进行分析。次要难题是：对于计算资源的占用仍然比较大，无法承担大量人员的实时监测分析。

发明内容

针对现有技术的不足，本发明提供了一种基于改进GDN算法的智能手环生理指标异常分析方法及系统。

术语解释：

1、PAM数据集：PAM(PAMAP2身体活动监测)用3个惯性测量单位测量9名受试者的日常生活活动。本发明对其进行了修改，以适应不规则时间序列分类的场景。由于传感器读数长度较短，排除了第九个主题。将连续信号分割成时间窗为600的样本，重叠率为50％。PAM最初有18项日常生活活动。排除了与少于500个样本相关的样本，其余8个活动。修改后，PAM数据集包含5333个感官信号段(样本)。每个样品由17个传感器测量，包含600个连续观察，采样频率为100Hz。这里只取了其中的体温、心率等传感器数据。

2、自制数据集：通过智能手环记录的人体生理数据，这里寻找了5个受试者，对他们的日常活动中的心率、脉搏、体温等生理指标数据进行采集，记录每一个受试者的白天和夜间的生理指标信息，再将无效数据进行处理，其中采样频率为1Hz。

3、Geometric：基于PyTorch构建的深度学习库，用于处理不规则结构化输入数据(如图、点云、流形)。除了一般的图形数据结构和处理方法外，它还包含从关系学习到3D数据处理等领域中最新发布的多种方法。通过利用稀疏GPU加速、提供专用的CUDA内核以及为不同大小的输入样本引入高效的小批量处理，PyTorch Geometric实现了很高的数据吞吐量。