CN114743678A - 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 - Google Patents

Abstract

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。

Description

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

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。

4、图数据库：用来处理图这种数据结构的工具。不同于传统的使用二维表格存储数据的关系型数据库，图数据库在传统意义上被归类为NoSQL(Not Only SQL)数据库的一种，也就是说图数据库属于非关系型数据库。一般的图数据库至少包含图存储、图查询、图分析这三种功能。

5、医疗知识图数据库：将各个病症、病情症状、处理措施等作为图的节点，根据其的节点之间的关系作为边，如病情症状体温过高与病症发烧的就是存在这样边的关系。

6、Topk算法：这个函数是用来求tensor中某个dim的前k大或者前k小的值以及对应的index。

本发明的技术方案为：

一种基于改进GDN算法的智能手环生理指标异常分析方法，包括步骤如下：

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：将步骤1预处理后得到的数据集对步骤2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步骤1所述的预处理后，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。

根据本发明优选的，所述数据集包括PAM数据集、自制数据集。

根据本发明优选的，对数据集或实时数据进行预处理，包括：

首先，将多维生理指标数据使用MinMaxScaler进行归一化处理，多维生理指标数据通过传感器获得；将生理指标数据变化为改进GDN网络模型的输入形式，即按照时间戳将相同类型的生理指标数据进行排列，得到的一连串数据即生理指标数据时间序列，变化为张量A[T,L]，T为时间戳，L为生理指标数据时间序列长度；

然后，对张量A[T,L]进行滑窗处理，产生[T-W+1,L,W]大小的张量，W为滑窗长度；同时建立所有传感器节点同其它传感器的有向图[2,L*(L-1)]，有向图[2,L*(L-1)]不包含自身所有，只有L*(L-1)条边；

最后，将张量[T-W+1,L,W]和建立的有向图[2,L*(L-1)]使用pytorch的Dataloader类进行封装，产生设定batch大小的张量[B,L,W]及有向图[B,2,L*(L-1)],B代表batch大小，L代表传感器节点，W代表节点特征，成为输入改进GDN网络模型的数据。

根据本发明优选的，改进GDN网络模型包括依次连接的传感器嵌入层、图结构学习层、图注意力预测层、输出调整层、异常分类层、图偏差评分层。

传感器嵌入层用于：将预处理后的传感数据作为输入，将不同传感器数据的相似性加以表示；embedding即向量嵌入经过权重随机初始化后，参数大小设置为[L,N],N为通道数,将传感器节点[1,L]输入后学习得到[L,N],从而实现传感器的向量嵌入；

图结构学习层用于：学习不同传感器之间的关系，所述关系采用有向图表示，其中，从一个传感器到另一个传感器的边表明第一个传感器用于模拟第二个传感器的行为；用邻接矩阵A来表示这个有向图；在传感器嵌入层得到的嵌入向量[L,N],归一化处理，在进行尺寸调整确保嵌入传感数据的格式，得到v[L*B,N]及w[L,N]，然后进行计算cos距离来得到不同传感器之间的相似关系；

图注意力预测层用于：使用一种基于预测的方法，即基于传感器过去的行为预测每个传感器的预期行为；

图偏差评分层,基于过去预测每个传感器每次的预期行为；

异常分类层用于：根据图偏差评分层的异常得分，将t时刻的预期行为与观测到的行为进行比较，计算出t时刻的传感器i的误差值Err，对异常的传感器异常进行简单分类，使之符合输入进入医疗知识图数据库的特征。

根据本发明优选的，计算cos距离来得到不同传感器之间的相似关系，如式(I)、式(II)所示：

A_ji＝1{j∈TopK({e_ki:k∈v})} (II)

式(I)、式(II)中，e_ji为当前传感器节点和其他传感器节点的相似度；i为当前传感器节点；j为其他传感器节点；v_i为当前传感器节点的嵌入向量；v_j为其他传感器节点的嵌入向量；A_ji为传感器的邻接矩阵；K为相似度的最高的前K个节点，K的值由用户根据所需的稀疏程度选择；e_ki为某个节点和其他节点的相似度；

在完成计算相似度e_ji之后，得到一个整体所有传感器相似关系的邻接矩阵A[L-1,L-1]，采用Topk的方法对不同传感器的相似度进行排序，筛选出影响较大的传感器，作为边缘信息输出,最终得到邻接矩阵A，大小为[K,K]，再根据影响数据值的大小将传感器序号从大到小排列得到[2,K],依据batch大小将邻接矩阵再进行重复放大延长，即放大为[2,B*K]。

根据本发明优选的，图注意力预测层中，在时间t时，根据大小为w的滑动窗口，即将t时刻前w长度的历史时间序列定义改进GDN网络模型的输入，图注意力预测层包括一种基于图注意力的特征提取器，以学习到的图结构即不同传感器关系的邻接矩阵A为基础，将节点的信息与其相邻节点进行融合；

该特征提取器包含传感器嵌入向量，传感器嵌入向量描述了不同类型传感器的不同行为，同时也引入对于图神经网络的多头注意力机制，利用图结构的性质即改变节点的位置连接关系保持不变，将不同传感器的位置在求解多头注意力时进行随机排序，再进行多次求邻接权重矩阵，最终将多次学习到权重矩阵进行排列Topk，取其的加权平均为实际的预测值；

通过该特征提取器，在图注意力预测层中的输出层得到了所有N个节点的表示，将所有N个节点的表示与相应的时间序列嵌入按元素相乘，并将所有节点计算的堆叠结果作为输出调整层的输入，输出的维度为N，从而预测时间t矢量传感器的值。

根据本发明优选的，输出调整层中，接收图注意力预测层的输出[B*K,1,N]，输入输出调整层，调整大小为[B,K,N],先进入一个BatchNorm层和一个relu层，进行激活，得到[B,K,N]，之后进入一个参数设定为0.3的dropout层，防止过拟合，得到[B,K,N]；再进入一个被out_layer层，得到[B,K,1]，最终得到预测矩阵[B,K]。

根据本发明优选的，图偏差评分层中，根据图注意力预测层的输入[L+1,L,N]，将之与学习到的注意力权重[L+1,L,N]进行点乘运算，得到输出[L+1,L,N]，使用线性层Linear进行结果调整得到[L+1,L,N]。

根据本发明优选的，异常分类层中，异常分类层包括Linear层、BatchNorm层、ReLU层；

经过异常分类层，最终得到[L+1,L]的输出结果，根据[L+1,L]的输出结果，每个传感器计算个别的异常分数，使用max函数对每个传感器的异常分数进行聚合，得到聚合结果，并且设置阈值，如果聚合结果超过阈值，则标记为异常。

根据本发明优选的，异常分类层中，将某个特定传感的异常进行判断，计算公式如式(III)、式(IV)所示：

式(III)、式(IV)中，Err_i(t)为第i个传感器的误差，

为采用改进GDN算法得到的对t时刻传感器数据的预测值，

为t时刻传感器数据的真实值，a_i(t)为归一化之后的误差评分，

为在w时间间隔内的中位数，

为在w时间间隔内的四分位距。

根据本发明优选的，将步骤1预处理后得到的数据集对步骤2构建的改进GDN网络模型采用无监督学习的方法进行端到端的训练，具体训练过程如下：

输入为未发生异常的传感器生理指标数据和传感器的种类，并将输入的数据集划分为训练集和验证集；

在训练时，将传感器生理指标数据和传感器的种类经过预处理输入进改进的GDN网络，经过传感器嵌入、图关系学习层、图注意力预测层，将滑动窗口的预测值和实际值进行损失函数MSE计算得到损失值，再进行反向传播，优化嵌入的权重大小，以及注意力参数，进而更新权重文件；

输入未发生异常的传感器时间序列数据和传感器的种类关系；

在训练时，将滑动窗口的预测值与实际值进行比较，使用损失函数均方误差计算loss值，进行反向传播，更新改进GDN网络模型中的权重参数，进而更新关系邻接矩阵。

根据本发明优选的，首先，通过生理指标数据测量传感器获取到实时的人体数据，然后，将人体数据实时存入生理指标数据库，同时从生理指标数据库中对人体数据进行实时读取，最后，将实时读取的人体数据通过所述步骤4进行实时处理预测，得到异常分类结果。

根据本发明优选的，步骤5中，根据步骤4中得到的异常分类结果，如果无异常，则继续进行预测，否则，根据异常分类结果的种类进入生理指标数据库查询相关信息，并发送报警信息，提供具体异常信息及相关人员位置信息。

一种基于改进GDN算法的智能手环生理指标异常分析系统，包括：

数据集获取及预处理模块，被配置为，获取数据集即生理指标数据并进行预处理；

改进GDN网络模型构建模块，被配置为，构建改进GDN网络模型；

训练模块，被配置为，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；

预测模块，被配置为，将实时数据即智能手环的生理指标数据通过所述的预处理后，传输至训练好的改进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；

应对措施获取模块，被配置为，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。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现基于改进GDN算法的智能手环生理指标异常分析方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于改进GDN算法的智能手环生理指标异常分析方法的步骤。

本发明的有益效果为：

1、本发明能够对生理指标时间序列的异常进行实时推理判断。

2、本发明能够根据图神经网络建立不同种类生理指标数据的联系，并进行综合判断。

3、本发明建立了整套生理指标异常检测系统，能够从移动终端(智能手环)出发，之后经过算法处理，最终产生报警信息。

附图说明

图1为本发明基于改进GDN算法的智能手环生理指标异常分析方法的整体流程示意图；

图2为本发明改进GDN网络模型的网络结构示意图；

图3为数据预处理流程示意图；

图4为图结构关系层的网络结构示意图；

图5为图注意力预测层的网络结构示意图；

图6为输出调整层的网络结构示意图；

图7为相关节点的连接图；

图8为改进GDN网络模型的训练损失示意图；

图9为预测数据示意图；

图10为实际数据示意图；

图11为基于改进GDN算法的智能手环生理指标异常分析方法的具体应用示意图。

具体实施方式

下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。

实施例1

一种基于改进GDN算法的智能手环生理指标异常分析方法，如图1所示，包括步骤如下：

步骤1：获取数据集即生理指标数据并进行预处理；数据集包括PAM数据集、自制数据集。

步骤2：构建改进GDN网络模型；

步骤3：将步骤1预处理后得到的数据集对步骤2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步骤1所述的预处理后，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。

实施例2

根据实施例1所述的一种基于改进GDN算法的智能手环生理指标异常分析方法，其区别在于：

对数据集或实时数据进行预处理，如图3所示，包括：

首先，将多维生理指标数据使用MinMaxScaler进行归一化处理，多维生理指标数据包括心率、脉搏、体温、呼吸率等，这些数据使用相关的传感器进行获取，如温度传感器，心率传感器等。多维生理指标数据通过传感器获得；将生理指标数据变化为改进GDN网络模型的输入形式，即按照时间戳将相同类型的生理指标数据进行排列，得到的一连串数据即生理指标数据时间序列，变化为张量A[T,L]，T为时间戳，L为生理指标数据时间序列长度(种类)；

然后，对张量A[T,L]进行滑窗处理，产生[T-W+1,L,W]大小的张量，W为滑窗长度；同时建立所有传感器节点同其它传感器的有向图[2,L*(L-1)]，有向图[2,L*(L-1)]不包含自身所有，只有L*(L-1)条边(edge)；如图7所示，一维为传感器节点自身，另外一维为其他传感器，一共有L类传感器，所以有L-1维其他传感器，因此建立的连接共有L*(L-1)条。

最后，将张量[T-W+1,L,W]和建立的有向图[2,L*(L-1)]使用pytorch的Dataloader类进行封装，产生设定batch大小的张量[B,L,W]及有向图[B,2,L*(L-1)],B代表batch大小，L代表传感器节点，W代表节点特征，成为输入改进GDN网络模型的数据。

如图2所示，改进GDN(Graph Neural Network-Based Anomaly Detection)网络模型包括依次连接的传感器嵌入层(Sensor Embedding)、图结构学习层(Graph StructureLearning)、图注意力预测层(Graph Attention-Based Forecasting)、输出调整层、异常分类层(Abnormal Classification)、图偏差评分层(Graph Deviation Scoring)。

传感器嵌入层用于：将预处理后的传感数据作为输入，将不同传感器数据的相似性加以表示；embedding即向量嵌入经过权重随机初始化后，参数大小设置为[L,N],N为通道数,将传感器节点[1,L]输入后学习得到[L,N],从而实现传感器的向量嵌入；用embedding之间的相似度表示几种传感器行为的相似。后面主要用于结构学习，以确定哪些传感器彼此相关和注意机制中，这使得不同类型的传感器可以产生不同的效应。

图结构学习层用于：学习不同传感器之间的关系，所述关系采用有向图表示，其中，从一个传感器到另一个传感器的边表明第一个传感器用于模拟第二个传感器的行为；这里使用有向图是因为传感器之间的依赖模式不需要是对称的。用邻接矩阵A来表示这个有向图；在传感器嵌入层得到的嵌入向量[L,N],归一化处理，在进行尺寸调整(resize)确保嵌入传感数据的格式，得到v[L*B,N]及w[L,N]，然后进行计算cos距离来得到不同传感器之间的相似关系；

图注意力预测层用于：使用一种基于预测的方法，即基于传感器过去的行为预测每个传感器的预期行为；

图偏差评分层,基于过去预测每个传感器每次的预期行为；这使得用户能够很容易地识别与预期行为有很大偏差的传感器。此外，可以比较每个传感器的预期和观测行为，以理解为什么模型认为一个传感器是异常的。

异常分类层用于：根据图偏差评分层的异常得分，将t时刻的预期行为与观测到的行为(实际行为)进行比较，计算出t时刻的传感器i的误差值Err，对异常的传感器异常进行简单分类，使之符合输入进入医疗知识图数据库的特征。

如图4所示，图结构学习层中，输入为节点信息[B,L,W],边缘连接关系此时经过前面的传感器嵌入层已变为嵌入向量[L,N],在对第一个维度进行重复操作进行拓展得到[B*L,N],计算cos距离来得到不同传感器之间的相似关系，如式(I)、式(II)所示(需要进行乘积运算和范数计算)：

A_ji＝1{j∈TopK({e_ki:k∈v})} (II)

式(I)、式(II)中，e_ji为当前传感器节点和其他传感器节点的相似度；i为当前传感器节点；j为其他传感器节点；v_i为当前传感器节点的嵌入向量；v_j为其他传感器节点的嵌入向量；A_ji为传感器的邻接矩阵；K为相似度的最高的前K个节点，K的值由用户根据所需的稀疏程度选择；e_ki为某个节点和其他节点的相似度；

在完成计算相似度e_ji之后，得到一个整体所有传感器相似关系的邻接矩阵A[L-1,L-1]，采用Topk的方法对不同传感器的相似度进行排序，筛选出影响较大的传感器，作为边缘信息输出,最终得到邻接矩阵A，大小为[K,K]，再根据影响数据值的大小将传感器序号从大到小排列得到[2,K],依据batch大小将邻接矩阵再进行重复放大延长，即放大为[2,B*K]。

如图5所示，图注意力预测层中，在时间t时，根据大小为w的滑动窗口，即将t时刻前w长度的历史时间序列定义改进GDN网络模型的输入，特征提取为了捕获传感器之间的关系，图注意力预测层包括一种基于图注意力的特征提取器，以学习到的图结构即不同传感器关系的邻接矩阵A为基础，将节点的信息与其相邻节点进行融合；

不同于现有的图注意机制，该特征提取器包含传感器嵌入向量，传感器嵌入向量描述了不同类型传感器的不同行为，同时也引入对于图神经网络的多头注意力机制，传统的多头注意力机制将多次学习到权重矩阵进行拼接或者求平均值，而在改进GDN模型中我们利用图结构的性质即改变节点的位置连接关系保持不变，将不同传感器的位置在求解多头注意力时进行随机排序(但记录位置顺序)，再进行多次求邻接权重矩阵，最终将多次学习到权重矩阵进行排列Topk，取其的加权平均为实际的预测值；这样避免了传感器特定的排列顺序此类原因导致其他传感器对目标传感器造成的影响产生变化，最终实现更加稳定准确的进行预测。

通过该特征提取器，在图注意力预测层中的输出层得到了所有N个节点的表示，将所有N个节点的表示与相应的时间序列嵌入按元素相乘(表示)，并将所有节点计算的堆叠结果作为输出调整层的输入，输出的维度为N，从而预测时间t矢量传感器的值。

图注意力预测层中，首先，对不同传感器节点建立的图关系连接数据进行处理，根据输入的图关系[2,B*K]，先去除自环(remove-self-loops)，避免建立简要图结构时造成影响，之后，增加自环(add-self-loops)进行补全(对每一个节点都补全自身到自身的一条边),再次得到[2,B*K],将数据信息[B,]进入Geometric的消息传播模块(Message-Passing)进行不同节点信息的交互和预测，同时也加入了多头注意力机制，即将多次学习到权重矩阵进行排列Topk，取其的加权平均为实际的预测值，这样避免因为特定原因导致其他可能对当前传感器造成的影响减少。在其中x_i[B*K*L,H,N]设定为有向图的出发节点，x_j[B*K*L,H,N]设定为有向图的影响节点,H为设定的多头注意力的数量，再将嵌入后的节点信息设为embedding_i[B*K*L,H,N]，embedding_j[B*K*L,H,N],同节点信息进行组合。

在得到的组合矩阵中加入初始化之后的注意力参数att_i[1,H,N]和att_j[1,H,N]进行相乘求和计算，得到展平的权重参数[B*K*L,1,1]，接着输入进入leaky_relu层，系数设定为0.2，进行激活，得到[B*K*L]，在输入进入softmax层进行归一化，得到[B*K*L]，再经dropout层系数设定为0.2进行一定的舍弃得到最终关系权重矩阵A[B*K*L,H,1]，与节点信息x_j[B*K*L,H,N]相乘，得到[B*K*L,H,N]，经过消息传递模块中的aggregate变为[B*K,H,N]，最后加入一个BatchNorm层进行归一化得到[B*K,H,N]，最后，在对第二位H进行求平均值得到[B*K,N]。

如图6所示，输出调整层中，接收图注意力预测层的输出[B*K,1,N]，输入输出调整层，调整大小为[B,K,N],先进入一个BatchNorm层和一个relu层，进行激活，得到[B,K,N]，之后进入一个参数设定为0.3的dropout层，防止过拟合，得到[B,K,N]；再进入一个被out_layer层，本质上是由多个参数为的线性层,数量可进行调整，得到[B,K,1]，最终得到预测矩阵[B,K]。

图偏差评分层中，根据图注意力预测层的输入[L+1,L,N]，将之与学习到的注意力权重[L+1,L,N]进行点乘运算，得到输出[L+1,L,N]，使用线性层Linear进行结果调整得到[L+1,L,N]。

异常分类层中，异常分类层包括Linear层、BatchNorm层、ReLU层；

经过异常分类层，最终得到[L+1,L]的输出结果，根据[L+1,L]的输出结果，每个传感器计算个别的异常分数，并将它们合并为每个时间点的单个异常分数，从而允许定位哪些传感器是异常的即确定异常的生理指标，之后计算时间点t所有传感器的总体异常，使用max函数对每个传感器的异常分数进行聚合，得到聚合结果，并且设置阈值，如果聚合结果超过阈值，则标记为异常。

确定好定位为异常的传感器即确定异常的生理指标，将异常的类型如体温异常进行编码传递给生理指标数据库进行查询相关信息。异常分类层的基础上将误差设定为整体的误差这里使用max函数对传感器进行聚合，为了抑制值的突变往往不能完美地预测，并导致误差值的尖峰，即这种行为是正常的。使用简单移动平均(simple moving average，SMA)来生成平滑的分数。

异常分类层中，将某个特定传感的异常进行判断，计算公式如式(III)、式(IV)所示：

式(III)、式(IV)中，Err_i(t)为第i个传感器的误差，

为采用改进GDN算法得到的对t时刻传感器数据的预测值，

为t时刻传感器数据的真实值，a_i(t)为归一化之后的误差评分，

为在w时间间隔内的中位数，

为在w时间间隔内的四分位距。

将步骤1预处理后得到的数据集对步骤2构建的改进GDN网络模型采用无监督学习的方法进行端到端的训练，具体训练过程如下：

输入为未发生异常的传感器生理指标数据和传感器的种类，并将输入的数据集按照一定比例划分为训练集和验证集；

在训练时，将传感器生理指标数据和传感器的种类经过预处理输入进改进的GDN网络，经过传感器嵌入、图关系学习层、图注意力预测层，将滑动窗口的预测值和实际值进行损失函数MSE计算得到损失值，再进行反向传播，优化嵌入的权重大小，以及注意力参数，进而更新权重文件；

输入未发生异常的传感器时间序列数据和传感器的种类关系；

在训练时，将滑动窗口的预测值与实际值进行比较，使用损失函数均方误差(MSE)计算loss值，进行反向传播，更新改进GDN网络模型中的权重参数，进而更新关系邻接矩阵。

首先，通过温度、心率传感器等生理指标数据测量传感器获取到实时的人体数据，然后，将人体数据实时存入生理指标数据库，同时从生理指标数据库中对人体数据进行实时读取，最后，将实时读取的人体数据通过所述步骤4进行实时处理预测，得到异常分类结果。

步骤5中，根据步骤4中得到的异常分类结果，如体温指标传感器出现异常、脉搏指标传感器出现异常，如果无异常，则继续进行预测，否则，根据异常分类结果的种类进入生理指标数据库查询相关信息，并发送报警信息，提供具体异常信息及相关人员位置信息。如体温过高、呼吸缓慢及相关处理措施同时发送其人员位置并提供实时视频数据。

本实施例中，手环获取数据包括：体温、心率、呼吸率、脉搏、定位等日常生理数据，并使用UWB系统与后台进行实时数据通信。

相关结果对比如表1所示：

表1

采用的训练配置如下：

硬件环境：

CPU:Intel(R)Core(TM)i5-10400F

GPU:NVIDA GeForce RTX 3060(12G)

内存：16G

软件环境如下：

OS：windows

Python：Anaconda3 python3.8

CUDA：11.1

Torch：1.8.0

图8为改进GDN网络模型的训练损失示意图；横坐标为训练的周期，纵坐标为训练中的训练损失；图9为预测数据图；横坐标为时间，纵坐标为相关传感器生理指标的预测数据；图10为实际数据图；横坐标为时间，纵坐标为实际传感器生理指标数据。本发明能够对生理指标时间序列的异常进行实时推理判断。图11为基于改进GDN算法的智能手环生理指标异常分析方法的具体应用示意图。

实施例3

一种基于改进GDN算法的智能手环生理指标异常分析系统，包括：

数据集获取及预处理模块，被配置为，获取数据集即生理指标数据并进行预处理；

改进GDN网络模型构建模块，被配置为，构建改进GDN网络模型；

训练模块，被配置为，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；

预测模块，被配置为，将实时数据即智能手环的生理指标数据通过所述的预处理后，传输至训练好的改进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；

应对措施获取模块，被配置为，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。

实施例4

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现实施例1或2基于改进GDN算法的智能手环生理指标异常分析方法的步骤。

实施例5

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1或2基于改进GDN算法的智能手环生理指标异常分析方法的步骤。

Claims (10)

1.一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，包括步骤如下：

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：将步骤1预处理后得到的数据集对步骤2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步骤1所述的预处理后，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。

2.根据权利要求1所述的一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，对数据集或实时数据进行预处理，包括：

首先，将多维生理指标数据使用MinMaxScaler进行归一化处理，多维生理指标数据通过传感器获得；将生理指标数据变化为改进GDN网络模型的输入形式，即按照时间戳将相同类型的生理指标数据进行排列，得到的一连串数据即生理指标数据时间序列，变化为张量A[T,L]，T为时间戳，L为生理指标数据时间序列长度；

然后，对张量A[T,L]进行滑窗处理，产生[T-W+1,L,W]大小的张量，W为滑窗长度；同时建立所有传感器节点同其它传感器的有向图[2,L*(L-1)]，有向图[2,L*(L-1)]不包含自身所有，只有L*(L-1)条边；

最后，将张量[T-W+1,L,W]和建立的有向图[2,L*(L-1)]使用pytorch的Dataloader类进行封装，产生设定batch大小的张量[B,L,W]及有向图[B,2,L*(L-1)],B代表batch大小，L代表传感器节点，W代表节点特征，成为输入改进GDN网络模型的数据。

3.根据权利要求1所述的一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，改进GDN网络模型包括依次连接的传感器嵌入层、图结构学习层、图注意力预测层、输出调整层、异常分类层、图偏差评分层；

传感器嵌入层用于：将预处理后的传感数据作为输入，将不同传感器数据的相似性加以表示；embedding即向量嵌入经过权重随机初始化后，参数大小设置为[L,N],N为通道数,将传感器节点[1,L]输入后学习得到[L,N],从而实现传感器的向量嵌入；

图结构学习层用于：学习不同传感器之间的关系，所述关系采用有向图表示，其中，从一个传感器到另一个传感器的边表明第一个传感器用于模拟第二个传感器的行为；用邻接矩阵A来表示这个有向图；在传感器嵌入层得到的嵌入向量[L,N],归一化处理，在进行尺寸调整确保嵌入传感数据的格式，得到v[L*B,N]及w[L,N]，然后进行计算cos距离来得到不同传感器之间的相似关系；

图注意力预测层用于：使用一种基于预测的方法，即基于传感器过去的行为预测每个传感器的预期行为；

图偏差评分层,基于过去预测每个传感器每次的预期行为；

异常分类层用于：根据图偏差评分层的异常得分，将t时刻的预期行为与观测到的行为进行比较，计算出t时刻的传感器i的误差值Err，对异常的传感器异常进行简单分类，使之符合输入进入医疗知识图数据库的特征；

进一步优选的，计算cos距离来得到不同传感器之间的相似关系，如式(I)、式(II)所示：

A_ji＝1{j∈TopK({e_ki:k∈v})} (II)

式(I)、式(II)中，e_ji为当前传感器节点和其他传感器节点的相似度；i为当前传感器节点；j为其他传感器节点；v_i为当前传感器节点的嵌入向量；v_j为其他传感器节点的嵌入向量；A_ji为传感器的邻接矩阵；K为相似度的最高的前K个节点，K的值由用户根据所需的稀疏程度选择；e_ki为某个节点和其他节点的相似度；

在完成计算相似度e_ji之后，得到一个整体所有传感器相似关系的邻接矩阵A[L-1,L-1]，采用Topk的方法对不同传感器的相似度进行排序，筛选出影响较大的传感器，作为边缘信息输出,最终得到邻接矩阵A，大小为[K,K]，再根据影响数据值的大小将传感器序号从大到小排列得到[2,K],依据batch大小将邻接矩阵再进行重复放大延长，即放大为[2,B*K]。

4.根据权利要求3所述的一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，图注意力预测层中，在时间t时，根据大小为w的滑动窗口，即将t时刻前w长度的历史时间序列定义改进GDN网络模型的输入，图注意力预测层包括一种基于图注意力的特征提取器，以学习到的图结构即不同传感器关系的邻接矩阵A为基础，将节点的信息与其相邻节点进行融合；

该特征提取器包含传感器嵌入向量，传感器嵌入向量描述了不同类型传感器的不同行为，同时也引入对于图神经网络的多头注意力机制，利用图结构的性质即改变节点的位置连接关系保持不变，将不同传感器的位置在求解多头注意力时进行随机排序，再进行多次求邻接权重矩阵，最终将多次学习到权重矩阵进行排列Topk，取其的加权平均为实际的预测值；

通过该特征提取器，在图注意力预测层中的输出层得到了所有N个节点的表示，将所有N个节点的表示与相应的时间序列嵌入按元素相乘，并将所有节点计算的堆叠结果作为输出调整层的输入，输出的维度为N，从而预测时间t矢量传感器的值。

5.根据权利要求3所述的一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，输出调整层中，接收图注意力预测层的输出[B*K,1,N]，输入输出调整层，调整大小为[B,K,N],先进入一个BatchNorm层和一个relu层，进行激活，得到[B,K,N]，之后进入一个参数设定为0.3的dropout层，防止过拟合，得到[B,K,N]；再进入一个被out_layer层，得到[B,K,1]，最终得到预测矩阵[B,K]；

图偏差评分层中，根据图注意力预测层的输入[L+1,L,N]，将之与学习到的注意力权重[L+1,L,N]进行点乘运算，得到输出[L+1,L,N]，使用线性层Linear进行结果调整得到[L+1,L,N]；

异常分类层中，异常分类层包括Linear层、BatchNorm层、ReLU层；

经过异常分类层，最终得到[L+1,L]的输出结果，根据[L+1,L]的输出结果，每个传感器计算个别的异常分数，使用max函数对每个传感器的异常分数进行聚合，得到聚合结果，并且设置阈值，如果聚合结果超过阈值，则标记为异常；

异常分类层中，将某个特定传感的异常进行判断，计算公式如式(III)、式(IV)所示：

式(III)、式(IV)中，Err_i(t)为第i个传感器的误差，

为采用改进GDN算法得到的对t时刻传感器数据的预测值，

为t时刻传感器数据的真实值，a_i(t)为归一化之后的误差评分，

为在w时间间隔内的中位数，

为在w时间间隔内的四分位距。

6.根据权利要求3所述的一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，将步骤1预处理后得到的数据集对步骤2构建的改进GDN网络模型采用无监督学习的方法进行端到端的训练，具体训练过程如下：

输入为未发生异常的传感器生理指标数据和传感器的种类，并将输入的数据集划分为训练集和验证集；

在训练时，将传感器生理指标数据和传感器的种类经过预处理输入进改进的GDN网络，经过传感器嵌入、图关系学习层、图注意力预测层，将滑动窗口的预测值和实际值进行损失函数MSE计算得到损失值，再进行反向传播，优化嵌入的权重大小，以及注意力参数，进而更新权重文件；

输入未发生异常的传感器时间序列数据和传感器的种类关系；

在训练时，将滑动窗口的预测值与实际值进行比较，使用损失函数均方误差计算loss值，进行反向传播，更新改进GDN网络模型中的权重参数，进而更新关系邻接矩阵；

进一步优选的，首先，通过生理指标数据测量传感器获取到实时的人体数据，然后，将人体数据实时存入生理指标数据库，同时从生理指标数据库中对人体数据进行实时读取，最后，将实时读取的人体数据通过所述步骤4进行实时处理预测，得到异常分类结果。

7.根据权利要求1-6任一所述的一种基于改进GDN算法的智能手环生理指标异常分析方法，其特征在于，步骤5中，根据步骤4中得到的异常分类结果，如果无异常，则继续进行预测，否则，根据异常分类结果的种类进入生理指标数据库查询相关信息，并发送报警信息，提供具体异常信息及相关人员位置信息。

8.一种基于改进GDN算法的智能手环生理指标异常分析系统，其特征在于，包括：

数据集获取及预处理模块，被配置为，获取数据集即生理指标数据并进行预处理；

改进GDN网络模型构建模块，被配置为，构建改进GDN网络模型；

训练模块，被配置为，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；

预测模块，被配置为，将实时数据即智能手环的生理指标数据通过所述的预处理后，传输至训练好的改进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；

应对措施获取模块，被配置为，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。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一所述的基于改进GDN算法的智能手环生理指标异常分析方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一所述的基于改进GDN算法的智能手环生理指标异常分析方法的步骤。

Images