CN110517774A - 一种预测体温异常的方法 - Google Patents

Abstract

本发明涉及一种预测体温异常的方法。本发明的方法由体温数据采集和预处理模块、建立聚类异常分析模型和预测异常分析模型模块和异常分析判断模块实现；所述的体温数据采集和预处理模块采集人体体温并进行预处理供建立聚类异常分析模型和预测异常分析模型模块进行分析判断；所述的建立聚类异常分析模型和预测异常分析模型模块使用密度聚类分析和回归预测分别建立聚类异常分析模型Model1和预测异常分析模型Model2，并根据模型对体温值和预测值进行判断；所述的异常分析判断模块在体温值和预测值判断为异常时提醒被测量者体温异常。本发明通过收集处理样本正常体温的N笔数据，来预测人们当前体温是否趋向于异常；可以用于人体体温的预测。

Description

一种预测体温异常的方法

技术领域

本发明涉及数据挖掘技术领域，具体是一种预测体温异常的方法。

背景技术

在现今社会，人工智能的热潮带动了机器学习、数据挖掘等多种热门技术；其中数据挖掘是知识发现的一种重要工具，能发现隐含在大量数据中有价值的模式信息，包含异常检测、预测模型、聚类分析和关联分析等多种分析方法；异常检测则占据着非常重要的地位，可应用在非常丰富的场景，比如药物研究、医疗分析、气象预报、网络入侵检测等。众所周知，在医疗方面常见的就是量体温；每当人们觉得自己可能低烧或高烧去医院时医生就会要求先量体温，如果低于或高于正常体温医生则认为是低烧或高烧；然后再相应的做治疗。那么为什么不能让人们科学地提前预防低烧或发烧呢？异常检测则是十分适合的方法，它可以在人们体温真正偏高或偏低之前提前做出预警，让人们及时预防生病，避免不必要的治疗，减轻身体和精神上的难受程度，特别是对小孩或老人无疑是更好的帮助。

数据挖掘的异常检测方法多种多样，一些最流行的异常检测方法有：极值分析、概率和统计建模、线性回归模型、基于邻近模型、信息理论模型等等，这些方法各有各的优缺点，并不能适用于任意场景，会受复杂环境、样本数据量、异常数据的多样性等影响。针对人体体温的异常检测面临的问题是人们量测体温的时间或状态不固定，比如人们会在早上或晚上量测，人们在运动或是饭后量测……这些不可控的因素将会大大影响异常检测结果。

发明内容

本发明解决的技术问题是提供一种预测体温异常的方法，通过对采集数据的分析、处理，预测人们当前体温是否趋向于异常并做出预警。

本发明解决前述技术问题的技术方案是：

所述的方法由体温数据采集和预处理模块、建立聚类异常分析模型和预测异常分析模型模块和异常分析判断模块实现；

所述的体温数据采集和预处理模块采集人体体温并进行预处理供建立聚类异常分析模型和预测异常分析模型模块进行分析判断；所述的建立聚类异常分析模型和预测异常分析模型模块使用密度聚类分析和回归预测分别建立聚类异常分析模型Model1和预测异常分析模型Model2，并根据模型对体温值和预测值进行判断；所述的异常分析判断模块在体温值和预测值判断为异常时提醒被测量者体温异常。

所述方法是收集人体正常体温数据、进行预处理，然后建立模型；利用建立的模型对获取的当前体温进行处理并做出判断；更为具体的是：

收集收据：收集某人的正常N笔体温数据，N>＝10；包括静态时的体温或动态后的体温；

预处理：将N笔数据减去其平均值，再除以其标准差，得到均值为0，标准差为1的新的N笔数据；

建模：使用密度聚类分析建立聚类异常分析模型Model1，使用回归预测建立预测异常分析模型Model2；

获取某人当前体温T1；

采用聚类异常分析模型Model1对T1进行聚类分析，若聚类分析结果为“-1”则认为T1是异常值即聚类判断结果Result1＝“异常”；反之Result1＝“正常”；

采用预测异常分析模型Model2对T1进行预测，得出预测值T2，计算T1与T2的残差δ；若δ＞0.95，则判定T1值为异常值即预测结果Resul t2＝“异常”，反之Resul t2＝“正常”；

当且仅当Resul t1＝“异常”和Resul t2＝“异常”同时成立时认定当前体温T1异常，提醒其注意防范。

由所述的体温数据采集和预处理模块收集某人正常体温数据N笔，N＞＝10；记为X(x_i，其中i＝1，2，…，N)；包括静态时的体温或动态后的体温；并进行预处理；首先计算N笔数据X的平均值μ和标准差σ，其次按照公式x_i′＝(x_i-μ)/σ得到均值为0、标准差为1的新的N笔数据；其中x_i是当前第i笔数据，μ是所有数据的均值，σ是所有数据的标准差，x_i′是当前第i笔数据进行预处理计算后的数据；将所有数据进行以上预处理后得新数据X′(x_i′，其中i＝1，2，…，N)供后面进行分析。

由所述的建立聚类异常分析模型和预测异常分析模型模块使用密度聚类分析建立聚类异常分析模型Model1；

所述密度聚类分析使用具有噪声的密度聚类方法，具体步骤为：a.首先定义两个变量半径r和阈值样本数M；b.任意选择一个出发点A开始，找出与其距离r的所有附近点；c.若附近点数量＞＝M则当前点与其附近点视为一个群，且出发点A被标记为已访问，然后递归，以相同的方法处理该群内所有未被标记为已访问的点；对该群进行扩展，若附近点数量＜M，则出发点A暂时被标记为异常点；d.当群内所有点被标记为已访问，然后用同样的算法去处理为被访问的点，直到所有点都被标记为已访问即表示完成；

采用以上密度聚类分析将预处理后的数据X′进行建模，得到聚类异常分析模型Model1，当输入一个新数据时，聚类模型Model1会输出一个结果，若该数据被判定为噪声点则输出结果为“-1”，反之为“0”；

由所述的建立聚类异常分析模型和预测异常分析模型模块使用回归预测建立预测异常分析模型Model2；

所述回归预测模型采用的是改进的决策树算法，具体步骤如下：a.将数据样本以8：2的比例随机分为训练集和测试集；b.从训练集中随机抽取一定数量的样本，作为每棵树的根节点样本；c.在建立决策树时随机抽取一定数量的候选属性，从中选择最合适属性作为分裂节点；d.建立好改进的决策树后对测试样本进入每一棵决策树进行回归输出，每棵决策树输出的均值作为最终结果；

当要预测下一笔新数据时，如第N+1笔的体温值T2，给预测异常分析模型Model2输入数值“N+1”即可输出第N+1笔的数据即为预测的体温值T2；再计算当前实际体温值T1与预测体温值T2的残差δ，残差δ>0.95时，则认为实际数据与预测数据相差太大，判定当前实际数据为异常数据即当前体温T1为异常值，反之判断结果为正常。

由所述异常分析判断模块判断当且仅当Result1＝“异常”和Result2＝“异常”同时成立时得出当前体温T1异常的结论。

本发明方法主要采用聚类异常分析模型和预测异常分析模型算残差两者相结合来预测某人当前体温是否异常；其中聚类异常分析模型具有实时性和柔化性，能根据数据的分布结构情况准确的得出异常数据。预测异常分析模型算残差的判断方法是采用公式计算得出当前数据是否是异常数据，具有统一性和规范性。故两者相结合可有效防止因量测体温时的状态变化而误判；如人们早上刚起来体温会偏低或是运动后体温会偏高，这些情况下量测的体温采用本方法时并不会判为异常。

附图说明

下面结合附图对本发明进一步说明：

图1是本发明流程图。

具体实施方式

见图1所示，本发明涉及一种预测体温异常的方法，本发明的基本流程是：首先收集某人的正常体温数据N笔(N>＝10)，包括静态时的体温或动态后的体温，并进行预处理，将N笔数据减去其平均值，再除以其标准差，得到均值为0，标准差为1的新的N笔数据。其次使用密度聚类分析和回归预测分别建立聚类异常分析模型Model1和预测异常分析模型Model2；然后获取某人当前体温T1，采用聚类异常分析模型Model1对T1进行聚类分析，若聚类分析结果为“-1”则认为T1是异常值即聚类判断结果Result1＝“异常”，反之Result1＝“正常”；采用预测异常分析模型Model2对T1进行预测，得出预测值T2，计算T1与T2的残差δ，若δ>0.95(其中0.95是根据残差定义得到)，则判定T1值为异常值即预测结果Result2＝“异常”，反之Result2＝“正常”，最后当且仅当Result1＝“异常”和Result2＝“异常”同时成立时才可得出当前体温T1是异常值，需提醒该人注意防范低烧或发烧。

本发明以上的流程主要由体温数据采集和预处理模块、建立聚类异常分析模型和预测异常分析模型模块和异常分析判断模块实现。

体温数据采集和预处理模块：负责收集某人正常体温数据N笔(N＞＝10)记为X(x_i，其中i＝1，2，…，N)，包括静态时的体温或动态后的体温，并进行预处理，首先计算N笔数据X的平均值μ和标准差σ，其次按照公式x_i′＝(x_i-μ)/σ得到均值为0、标准差为1的新的N笔数据，其中x_i是当前第i笔数据，μ是所有数据的均值，σ是所有数据的标准差，x_i′是当前第i笔数据进行预处理计算后的数据。将所有数据进行以上预处理后得新数据X′(x_i′，其中i＝1，2，…，N)供后面进行分析，

建立聚类异常分析模型和预测异常分析模型模块：

该模块使用密度聚类分析和回归预测分别建立聚类异常分析模型Model1和预测异常分析模型Model2。其中密度聚类使用的是具有噪声的密度聚类方法，该方法可在噪声的空间数据库中发现任意形状的聚类，即可高效地发现任意异常点，具体步骤为：a.首先定义两个变量半径r和阈值样本数M；b.任意选择一个出发点A开始，找出与其距离r的所有附近点；c.若附近点数量＞＝M则当前点与其附近点视为一个群，且出发点A被标记为已访问，然后递归，以相同的方法处理该群内所有未被标记为已访问的点，对该群进行扩展，若附近点数量＜M，则出发点A暂时被标记为异常点；d.当群内所有点被标记为已访问，然后用同样的算法去处理为被访问的点，直到所有点都被标记为已访问即表示完成。采用以上密度聚类分析将预处理后的数据X′进行建模，得到聚类异常分析模型Model1，当输入一个新数据时，聚类模型Model1会输出一个结果，若该数据被判定为噪声点则输出结果为“-1”，反之为“0”。

采用前述的密度聚类分析不需要像传统的密度聚类模型那样一定要设置类别的个数然后再进行聚类分析。本发明的模型方法虽然定义了两个半径r的球形样本，但是本方法并不局限于一定要是球形样本，本方法可以针对任意形状的稠密数据集进行聚类分析，该方法具备样本的随机性和模型形状属性的随机性，预测精度较传统的密度聚类模型来说，精度更高。

回归预测模型采用的是改进的决策树算法，该方法具备样本的随机性和属性的随机性，预测精度更高，具体步骤如下：a.将数据样本以8：2的比例随机分为训练集和测试集；b.从训练集中随机抽取一定数量的样本，作为每棵树的根节点样本；c.在建立决策树时随机抽取一定数量的候选属性，从中选择最合适属性作为分裂节点；d.建立好改进的决策树后对测试样本进入每一棵决策树进行回归输出，每棵决策树输出的均值作为最终结果。当要预测下一笔新数据时如第N+1笔的体温值T2，只需给预测异常分析模型Model2输入数值“N+1”即可输出第N+1笔的数据即为预测的体温值T2，再计算当前实际体温值T1与预测体温值T2的残差δ，根据规定残差δ>0.95时，则认为实际数据与预测数据相差太大，判定当前实际数据为异常数据即当前体温T1为异常值，反之判断结果为正常。

异常分析判断模块：判断当前体温值T1是否异常的标准是当且仅当Result1＝“异常”和Result2＝“异常”同时成立时才可得出当前体温T1是异常值。

以上本发明的异常检测方法并不是如何去获取人体的体温以判断体温是否正常；而是通过收集处理样本正常体温的N笔数据，来预测人们当前体温是否趋向于异常。此时也许他还并没有发生异常，只是预测发生异常趋势的概率有多大。目的是为了提醒人们预防低烧或者高烧，而不是等体温真正过低或过高时才反应。

Claims (7)

1.一种预测体温异常的方法，其特征在于，所述的方法由体温数据采集和预处理模块、建立聚类异常分析模型和预测异常分析模型模块和异常分析判断模块实现；

所述的体温数据采集和预处理模块采集人体体温并进行预处理供建立聚类异常分析模型和预测异常分析模型模块进行分析判断；所述的建立聚类异常分析模型和预测异常分析模型模块使用密度聚类分析和回归预测分别建立聚类异常分析模型Model1和预测异常分析模型Model2，并根据模型对体温值和预测值进行判断；所述的异常分析判断模块在体温值和预测值判断为异常时提醒被测量者体温异常。

2.根据权利要求1所述的方法；其特征在于：

所述方法是收集人体正常体温数据、进行预处理，然后建立模型；利用建立的模型对获取的当前体温进行处理并做出判断；更为具体的是：

收集收据：收集某人的正常N笔体温数据，N>＝10；包括静态时的体温或动态后的体温；

预处理：将N笔数据减去其平均值，再除以其标准差，得到均值为0，标准差为1的新的N笔数据；

建模：使用密度聚类分析建立聚类异常分析模型Model1，使用回归预测建立预测异常分析模型Model2；

获取某人当前体温T1；

采用聚类异常分析模型Model1对T1进行聚类分析，若聚类分析结果为“-1”则认为T1是异常值即聚类判断结果Result1＝“异常”；反之Result1＝“正常”；

采用预测异常分析模型Model2对T1进行预测，得出预测值T2，计算T1与T2的残差δ；若δ>0.95，则判定T1值为异常值即预测结果Result2＝“异常”，反之Result2＝“正常”；

当且仅当Result1＝“异常”和Result2＝“异常”同时成立时认定当前体温T1异常，提醒其注意防范。

3.根据权利要求1或2所述的方法，其特征在于：

由所述的体温数据采集和预处理模块收集某人正常体温数据N笔，N>＝10；记为X(x_i，其中i＝1,2,…,N)；包括静态时的体温或动态后的体温；并进行预处理；首先计算N笔数据X的平均值μ和标准差σ，其次按照公式x_i′＝(x_i-μ)/σ得到均值为0、标准差为1的新的N笔数据；其中x_i是当前第i笔数据，μ是所有数据的均值，σ是所有数据的标准差，x_i′是当前第i笔数据进行预处理计算后的数据；将所有数据进行以上预处理后得新数据X′(x_i′，其中i＝1,2,…,N)供后面进行分析。

4.根据权利要求3所述的方法，其特征在于：

由所述的建立聚类异常分析模型和预测异常分析模型模块使用密度聚类分析建立聚类异常分析模型Model1；

所述密度聚类分析使用具有噪声的密度聚类方法，具体步骤为：a.首先定义两个变量半径r和阈值样本数M；b.任意选择一个出发点A开始，找出与其距离r的所有附近点；c.若附近点数量>＝M则当前点与其附近点视为一个群，且出发点A被标记为已访问，然后递归，以相同的方法处理该群内所有未被标记为已访问的点；对该群进行扩展,若附近点数量<M，则出发点A暂时被标记为异常点；d.当群内所有点被标记为已访问，然后用同样的算法去处理为被访问的点，直到所有点都被标记为已访问即表示完成；

采用以上密度聚类分析将预处理后的数据X′进行建模，得到聚类异常分析模型Model1，当输入一个新数据时，聚类模型Model1会输出一个结果，若该数据被判定为噪声点则输出结果为“-1”，反之为“0”。

5.根据权利要求4所述的方法，其特征在于：

由所述的建立聚类异常分析模型和预测异常分析模型模块使用回归预测建立预测异常分析模型Model2；

所述回归预测模型采用的是改进的决策树算法，具体步骤如下：a.将数据样本以8：2的比例随机分为训练集和测试集；b.从训练集中随机抽取一定数量的样本，作为每棵树的根节点样本；c.在建立决策树时随机抽取一定数量的候选属性，从中选择最合适属性作为分裂节点；d.建立好改进的决策树后对测试样本进入每一棵决策树进行回归输出，每棵决策树输出的均值作为最终结果；

当要预测下一笔新数据时，如第N+1笔的体温值T2，给预测异常分析模型Model2输入数值“N+1”即可输出第N+1笔的数据即为预测的体温值T2；再计算当前实际体温值T1与预测体温值T2的残差δ，残差δ>0.95时，则认为实际数据与预测数据相差太大，判定当前实际数据为异常数据即当前体温T1为异常值，反之判断结果为正常。

6.根据权利要求4所述的方法，其特征在于：

由所述异常分析判断模块判断当且仅当Result1＝“异常”和Result2＝“异常”同时成立时得出当前体温T1异常的结论。

7.根据权利要求5所述的方法，其特征在于：

由所述异常分析判断模块判断当且仅当Result1＝“异常”和Result2＝“异常”同时成立时得出当前体温T1异常的结论。