[发明专利]一种心跳异常监测方法、电子设备及存储介质

权利要求书

1.一种心跳异常监测方法，其特征在于，包括以下步骤：

获取正常心跳的数据集s_N；

使用循环神经网络方法对所述数据集s_N进行模型训练，获取预测模型；

获取被测的带有异常心跳的数据集t_M，t_M＝[x₁,x₂,…,x_i,…x_M]，M为正整数，M代表数据集t_M中的心跳记录值x的数量，i为心跳记录值x产生的时间顺序，x_i代表时间顺序为第i个的心跳记录值；

使用所述预测模型对所述数据集t_M进行预测，获取数据集t_M中每个心跳记录值x_i的对应的误差向量e_i，以便获取数据集t_M对应的误差序列E＝[e₁,e₂,…，e_i…，e_M]；

计算误差序列中每个误差向量e_i的高斯分布概率密度y_i；当概率密度值y_i小于阈值τ时，则对应的心跳记录值x_i为心跳异常点，否则为正常点。

2.根据权利要求1所述的心跳异常监测方法，其特征在于，使用循环神经网络方法对所述数据集s_N进行模型训练时，在第一次模型训练中采用Teacher Forcing的训练模式，所述Teacher Forcing训练模式在训练过程的时刻，使用训练数据集的实际输出作为下一时间步骤的输入；在第二次以及二次以后的多步模型训练中采用Free Running训练模式，所述Free Running训练模式在训练过程的时刻，使用模型生成的输出作为输入。

3.根据权利要求1所述的心跳异常监测方法，其特征在于，使用所述预测模型对所述数据集t_M进行预测时，每个记录值x_i被预测了L次，将心跳记录值x_i的误差向量e_i定义为：其中，为心跳记录值x_i和该心跳记录值x_i第j个预测值之间的误差。

4.根据权利要求1所述的心跳异常监测方法，其特征在于，计算误差序列中每个误差向量e_i的高斯分布概率密度y_i是通过多元高斯分布模型计算，通过多元高斯分布模型进行高斯分布概率密度y_i的方法包括：

将误差序列E＝[e₁,e₂,…,e_i…,e_M]作为多元高斯分布模型的输入；

利用最大似然估计方法来估计高斯分布参数，所述高斯分布参数包括高斯分布的均值μ和协方差∑，计算公式如下：

M为误差序列中误差向量的数量，i为正整数，e_i为M个误差向量中的第i个误差向量；

循环计算每个误差向量e_i的高斯分布概率密度值，计算公式如下：

y_i＝(e_i-μ)∑^-1(e_i-μ)^T

当概率密度值y_i小于阈值τ，对应的心跳记录值x_i为异常。

5.根据权利要求4所述的心跳异常监测方法，其特征在于，所述阈值τ是通过F_score最大化的方式来确定。

6.根据权利要求4所述的心跳异常监测方法，其特征在于，对心跳数据对应的高斯分布概率密度值的倒数进行可视化处理，生成异常序列所在位置图。