CN116304779A - 一种体外循环温度智能测定系统 - Google Patents

Abstract

本发明涉及温度测定技术领域，具体涉及一种体外循环温度智能测定系统，该系统将脏器温度映射至温度空间后，根据每个温度数据点的密度分布得到初始的聚类半径，对初始的聚类半径进行迭代膨胀得到每个温度数据点的最优聚类半径，并根据最优聚类半径和获取最优聚类半径过程中迭代膨胀的膨胀次数、膨胀效果，得到每个温度数据点的最少点数目，并根据每个数据点最优聚类半径内数据点最优聚类半径获取过程的相似特征得到有效数据点，根据最少点数目和有效数据点，完成核心点的判定，根据核心点和最优聚类半径筛选出异常温度数据进行体外循环温度智能测定。本发明通过自适应选取最优聚类半径和最少点数目的方法提高了对异常温度数据检测的准确度。

Description

一种体外循环温度智能测定系统

技术领域

本发明涉及温度测定技术领域，具体涉及一种体外循环温度智能测定系统。

背景技术

体外循环技术作为一种生命支持技术，能够通过对温度进行调控从而保护心血管手术过程中的脏器，所以体外循环一直是心血管手术的一项重要手段。温度调控通常是对异常温度进行调控，所以在体外循环温度智能测定时需要及时的发现异常温度数据，来减少温度异常对脏器的伤害。

现有技术通常将体外循环过程中测定的温度数据通过DBSCAN聚类算法进行聚类分析，将没有被划分到某个聚类簇的数据作为异常数据。但是DBSCAN聚类算法需要人为设定聚类半径和最少点数目对应的先验参数，且这两个先验参数为全局性的先验参数，若先验参数选择不合理，会造成聚类效果较差且异常数据检测精度低。此外现有的自适应选取DBSCAN聚类算法先验参数的方法中，通常根据数据的整体特征得到整体聚类效果最好的聚类半径和最少点数目，但是该方法在针对不均匀数据集时，由于不同区域的数据局部密度不同，在通过相同长度的聚类半径和最少点数目时，会将一部分异常数据误划分为正常数据，造成异常数据检测不够准确。且体外循环技术中异常温度数据会对脏器造成伤害，因此体外循环技术对异常温度数据的筛选要求较高，所以现有技术中通过对DBSCAN聚类算法先验参数进行人为设定和自适应选择的方法，对异常温度数据的检测准确度较差。

发明内容

为了解决现有技术中对异常温度数据的检测准确度较差技术问题，本发明的目的在于提供一种体外循环温度智能测定系统，所采用的技术方案具体如下：

本发明提出了一种体外循环温度智能测定系统，所述系统包括：

温度数据采集模块，用于获取每个时刻下包含至少两个脏器温度的温度数据；

最优聚类半径获取模块，用于将所述温度数据映射至温度空间，得到每个温度数据的温度数据点；根据每个温度数据点与临近的温度数据点的距离极差，得到每个温度数据点的聚类半径；将所述聚类半径进行迭代膨胀，根据每次膨胀后的膨胀效果得到每个温度数据点的最优聚类半径；所述膨胀效果根据每个温度数据点每次膨胀后的聚类半径对应范围内其他温度数据点的膨胀密度变化特征和整体夹角特征值得到；

核心点判定模块，用于统计温度数据点得到最优聚类半径的膨胀次数和每次膨胀的膨胀效果，根据所述最优聚类半径对应范围内温度数据点的数量、所述膨胀次数和所述膨胀效果，得到每个温度数据点的最少点数目；根据温度数据点与所述最优聚类半径对应范围内其他温度数据点之间，对应的膨胀次数差异和每次膨胀的膨胀过程差异，得到每个温度数据点的最优聚类半径对应范围内的有效数据点，根据所述有效数据点的数量和所述最少点数目判定每个温度数据点是否为核心点；

体外循环温度智能测定模块，用于根据每个核心点和对应的最优聚类半径筛选出噪声点，将所述噪声点对应的温度数据作为异常温度数据，根据所述异常温度数据进行体外循环温度智能测定。

进一步地，所述温度数据点的获取方法包括：

以温度数据中每个脏器温度为坐标轴构建温度空间，将每个时刻下的温度数据映射至所述温度空间中，得到每个温度数据对应的温度数据点。

进一步地，所述聚类半径的获取方法包括：

在温度空间所有温度数据点中选取任意一个温度数据点作为目标温度数据点，将与目标温度数据点临近的预设第一数量个其他温度数据点作为临近数据点，统计目标温度数据点与每个临近数据点之间的距离，将距离极差与距离最大值之间的比值作为目标温度数据点对应的距离差异特征；

当所述距离差异特征小于或等于预设密度阈值时，将所述目标温度数据点对应的所述距离最大值作为对应的聚类半径；

当所述距离差异特征大于预设密度阈值时，采用K-means聚类算法将所有临近数据点划分为预设第二数量个数据点类别，计算每个数据点类别中临近数据点到所述目标温度数据点之间的平均距离，将所述平均距离最小的数据点类别中的临近数据点到所述目标温度数据点之间距离的最大值，作为所述目标温度数据点的聚类半径。

进一步地，所述膨胀效果的获取方法包括：

对于每次膨胀中的任意一次膨胀：

当温度数据点膨胀前后的聚类半径对应范围内温度数据点的数量没有发生变化时，将温度数据点对应本次膨胀的膨胀效果记为0；

当温度数据点膨胀前后的聚类半径对应范围内温度数据点的数量增加时：

以温度数据点为中心点，以膨胀前的聚类半径为半径构建球体区域，将所述球体区域内除中心点外的其他温度数据点记为邻域数据点，过中心点通过分割平面将所述球体区域分割为两个数据点数量差异最小的半球体；当仅存在一个分割平面时，将所述分割平面记为特征平面；当存在两个以上分割平面时，计算所有邻域数据点到分割平面的距离累加和，将对应距离累加和最小的分割平面作为特征平面；任选一个邻域数据点作为目标邻域数据点，将目标邻域数据点和中心点之间的直线记为目标直线，将目标直线与所述特征平面的夹角记为目标邻域夹角；

将中心点对应的温度数据点对应的膨胀后的聚类半径对应范围内新加入的温度数据点作为膨胀数据点，将距离目标直线最近的膨胀数据点和中心点之间的直线与所述特征平面的夹角记为特征夹角，获得目标邻域夹角和所述特征夹角之间的夹角最大值，计算所述目标邻域夹角和所述特征夹角之间的夹角差值，将所述夹角差值和所述夹角最大值的比值进行负相关映射，得到目标邻域数据点的局部夹角特征值；改变目标邻域数据点得到所有邻域数据点的局部夹角特征值，将所有局部夹角特征值进行累加计算得到整体夹角特征值；

计算中心点对应温度数据点对应的膨胀前后的聚类半径对应范围内，温度数据点的数量差异与膨胀前的聚类半径对应范围内温度数据点的数量之间的比值，将所述比值与预设膨胀系数的差异作为膨胀密度变化特征；根据所述整体夹角特征值与所述膨胀密度变化特征得到中心点对应的温度数据点本次膨胀的膨胀效果，所述膨胀效果与整体夹角特征值呈正比，所述膨胀效果与所述膨胀密度变化特征呈反比。

进一步地，所述根据每次膨胀后的膨胀效果得到每个温度数据点的最优聚类半径包括：

对于任意一个温度数据点：

每次膨胀完成后统计对应的膨胀效果和膨胀次数，当膨胀效果小于预设停止阈值时迭代膨胀停止；当膨胀效果大于或等于预设停止阈值时继续迭代膨胀，直至膨胀效果小于预设停止阈值或膨胀次数达到预设膨胀次数时迭代膨胀停止；将迭代膨胀过程中最后一次膨胀前的聚类半径作为对应的最优聚类半径。

进一步地，所述最少点数目的获取方法包括：

对于任意一个温度数据点：

将对应所有膨胀效果的累加和与对应膨胀次数的乘积作为第一乘积，将所述第一乘积的负相关映射值与对应最优聚类半径内其他温度数据点的数量的乘积，作为对应温度数据点的最少点数目。

进一步地，所述有效数据点的获取方法包括：

在所有温度数据点中任选一个温度数据点作为中心数据点，将所述中心数据点对应的最优聚类半径对应范围内的其他温度数据点作为最优邻域数据点，获取每个最优邻域数据点对应的膨胀次数、每次膨胀的膨胀效果和最优聚类半径；将所述中心数据点与所述最优邻域数据点之间对应的膨胀次数差异进行负相关映射，得到所述最优邻域数据点对应的膨胀次数相似特征；

将所述中心数据点与所述最优邻域数据点之间对应的膨胀次数最小值作为最小膨胀次数；在最小膨胀次数中，计算每次膨胀时所述中心数据点与所述最优邻域数据点之间对应的最优聚类半径差异和膨胀效果差异，将每次膨胀时的最优聚类半径差异和膨胀效果差异的乘积进行负相关映射，得到每次膨胀时对应的局部膨胀相似特征，将最小膨胀次数中的每次膨胀对应的局部膨胀相似特征的累加值，作为所述最优邻域数据点对应的膨胀过程相似特征；

根据所述膨胀次数相似特征和所述膨胀过程相似特征的乘积，得到所述最优邻域数据点的有效特征值；统计所述中心数据点对应的所有最优邻域数据点的有效特征值，将有效特征值大于预设有效阈值的最优邻域数据点作为有效数据点。

进一步地，所述根据所述有效数据点的数量和所述最少点数目判定每个温度数据点是否为核心点包括：

对于任意一个温度数据点：

当对应的有效数据点的数量大于或等于所述最少点数目时，对应的温度数据点是核心点；

当对应的有效数据点的数量小于所述最少点数目时，对应的温度数据点不是核心点。

进一步地，所述噪声点的获取方法包括：

在所述温度空间中，将没有处于核心点的最优聚类半径对应范围内的温度数据点作为噪声点。

本发明具有如下有益效果：

本发明考虑到当温度数据为实时性检测得到的数据，当存在异常数据时，对应的异常数据与正常数据之间会存在一定的差异，且不同的异常数据对应的差异不尽相同；在此基础上考虑到温度空间中不同区域的温度数据点的密度不同，因此可对每个温度数据点进行自适应的聚类半径和最少点数目进行自适应选取；本发明对温度数据点的初始聚类半径进行迭代膨胀，并根据膨胀效果得到每个温度数据点的最优聚类半径，由于膨胀过程中的膨胀效果即对应了所述温度数据点的局部密度特征，因此最优聚类半径的获取过程包含了数据的局部密度分布，使得后续对异常温度数据的检测准确度更高；进一步地考虑到在计算最少点数目时如果统计所有的温度数据点，会由于忽视了数据点的特征相似性导致部分温度数据点被误判为核心点，本发明在获得最少点数目的基础上，根据所述温度数据点与最优聚类半径内其他数据点之间膨胀次数差异和每次膨胀的膨胀过程差异，进行有效数据点的判断，结合了邻域范围内温度数据点之间的相似性，结合最少点数目使得核心点的判断更加准确，提高了对异常温度数据检测的准确度。综上所述，本发明通过自适应选取每个温度数据点最优聚类半径和最少点数目，以及核心点的判定方法，提高了对异常温度数据检测的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种体外循环温度智能测定系统结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种体外循环温度智能测定系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种体外循环温度智能测定系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种体外循环温度智能测定系统结构框图，该系统包括：温度数据采集模块101、最优聚类半径获取模块102、核心点判定模块103和体外循环温度智能测定模块104。

温度数据采集模块101，用于获取每个时刻下包含至少两个脏器温度的温度数据。

本发明旨在通过一种体外循环温度智能测定系统根据脏器的温度数据进行实时监测，在DBCSAN算法的基础上改进先验参数中聚类半径和最少点数目的选取，并优化核心点的选取过程，从而精准的筛选出异常温度数据，减少对人体脏器的伤害。因此首先需要获取实时监测的脏器温度数据。

本发明实施例首先获取每个时刻下包含至少两个脏器温度的温度数据。在体外循环技术中，一般采用心肺机进行温度数据的采集，心肺机相当于人工心肺，测温探头通过导线与心肺机连接，通过测温探头在体外循环过程中测量人体脏器的温度，例如膜肺动脉端和静脉端的血温、鼻咽温、食道温度、膀胱温度等等，并将采集到的温度数据输送回心肺机，进一步根据心肺机采集到的温度数据进行分析。在本发明实施例中，通过预设采样频率获取每个时刻人体的鼻咽温、食道温度和膀胱温度作为温度数据，且预设采样频率为每秒1次。需要说明的是，实施者可根据实施环境自行设置预设采样频率，且预设采样频率越小，对应的体外循环温度智能测定越准确，但对应的计算量也会增加；且实施者可根据实施环境自行设置所采集到每个时刻下的温度数据包含脏器温度的数量和种类，在此不做进一步赘述。

最优聚类半径获取模块102，用于将温度数据映射至温度空间，得到每个温度数据的温度数据点；根据每个温度数据点与临近的温度数据点的距离极差，得到每个温度数据点的聚类半径；将聚类半径进行迭代膨胀，根据每次膨胀后的膨胀效果得到每个温度数据点的最优聚类半径；膨胀效果根据每个温度数据点每次膨胀后的聚类半径对应范围内其他温度数据点的膨胀密度变化特征和整体夹角特征值得到。

在获取温度数据后，需要根据温度数据进行异常数据的筛选，本发明实施例在DBSCAN算法思想的基础上进行异常温度数据的筛选，由于DBSCAN算法是一种基于密度的聚类算法，因此为了能够体现出不同时刻下温度数据之间的密度，本发明实施例将温度数据映射至温度空间，得到每个温度数据的温度数据点；通过温度数据点能够使得温度数据之间的密度更加直观，且便于后续聚类分析参数的选取。需要说明的是，DBSCAN算法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

优选地，温度数据点的获取方法包括：

以温度数据中每个脏器温度为坐标轴构建温度空间，将每个时刻下的温度数据映射至温度空间中，得到每个温度数据对应的温度数据点。所构建的温度空间的维度与温度数据中脏器的数量一致，在本发明实施例中，由于温度数据中包含三个脏器温度，因此对应的温度空间为三维温度空间，且三维温度空间中每条坐标轴对应每个脏器温度，每个时刻的温度数据对应一个温度数据点。以每个脏器温度为坐标轴所构建温度空间，在某个脏器温度发生异常变化时，对应时刻下的温度数据点相较于正常的温度数据点，会发生明显的偏移，使得对异常温度数据点更加容易被区分。

进一步地根据DBSCAN聚类算法的思想，需要在温度空间中温度数据点的基础上设置聚类半径和最少点数目，考虑到现有技术中的DBSCAN聚类算法中设置聚类半径和最少点数目的方法，会造成后续的对异常温度数据的检测准确度较差。因此需要在DBSCAN算法的基础上对聚类半径和最少点数目的选取进行改进，考虑到温度空间中不同区域的温度数据点的局部密度不同，本发明实施例对每个温度数据点自适应选取对应的聚类半径和最少点数目。

本发明实施例首先对每个温度数据点的聚类半径进行分析。在以某个温度数据点为中心数据点时，当中心数据点临近的空间区域中温度数据点的密度越大时，温度数据点之间的分布越集中；且在限制中心数据点的临近温度数据点数量的情况下，距离中心数据点和所有临近温度数据点之间的最远距离和最近距离的差异越小，对应的中心数据点邻域内的数据点密度越大，因此可根据该特性，首先设置每个温度数据点的初始聚类半径。在本发明实施例中，根据每个温度数据点与临近的温度数据点的距离极差，得到每个温度数据点的聚类半径。此处对应的聚类半径即为每个温度数据点的初始聚类半径，后续对初始聚类半径进行进一步分析得到每个温度数据的最优聚类半径。

优选地，聚类半径的获取方法包括：

在温度空间所有温度数据点中选取任意一个温度数据点作为目标温度数据点，将与目标温度数据点临近的预设第一数量个其他温度数据点作为临近数据点，统计目标温度数据点与每个临近数据点之间的距离，将距离极差与距离最大值之间的比值作为目标温度数据点对应的距离差异特征。在本发明实施例中，预设第一数量设置为10。需要说明的是，实施者可以根据具体实施环境适当调整预设第一数量的大小，在此不做进一步赘述。

由于临近数据点的选取过程已经受到预设第一数量的限制，因此临近数据点到目标温度数据点之间的距离极差能够表征温度数据点周围的数据点密度变化。进一步通过距离极差与距离最大值的比值得到距离差异特征，在限制距离差异特征数值大小方便后续的阈值选择的同时，使得距离差异特征能够表征密度变化的特征。例如，在基于密度的聚类方法中，对于属于一个聚类集合的数据点，临近数据点到目标温度数据点之间的距离极差会很小，当距离极差发生变化时，说明某个临近数据点局部密度发生了变化。在本发明实施例中，预设第一数量设置为10，即在目标温度数据点邻域内选取距离最近的10个其他温度数据点作为临近数据点。需要说明的是，除了通过距离极差与距离最大值的比值进行距离差异特征的计算外，实施者也可将距离极差进行归一化后的值作为距离差异特征；实施者可根据具体实施环境自行设置归一化方法和预设第一数量的大小，在此不做进一步赘述；此外，由于本发明实施例所分析的对象是脏器的温度，在实际情况下，异常温度数据对应的温度相对于正常温度的偏差不会过大，因此不会发生距离最大值过于极端导致距离差异特征过小使得聚类半径的选择不够准确的情况，且在后续的DBSCAN算法聚类过程中，也会将过于极端的距离最大值对应的数据点进行筛除。

当距离差异特征小于或等于预设密度阈值时，将温度数据点对应的距离最大值作为对应的聚类半径。当距离差异特征较小时，说明对应目标温度数据点局部密度变化可能较小，对应的临近数据点的分布较为均匀，即得到的聚类半径对应范围内数据点的密度趋近一致。在本发明实施例中，预设密度阈值设置为0.2。需要说明的是，实施者可根据具体实施环境自行设置预设密度阈值的大小。

当距离差异特征大于预设密度阈值时，采用K-means聚类算法将所有临近数据点划分为预设第二数量个数据点类别，计算每个数据点类别中临近数据点到目标温度数据点之间的平均距离，将平均距离最小的数据点类别中的临近数据点到目标温度数据点之间距离的最大值，作为目标温度数据点的聚类半径。

当距离差异特征较大时，说明目标温度数据点邻域内临近数据点分布不均匀，即以临近数据点到目标温度数据点之间距离的最大值作为聚类半径时，对应的聚类半径内数据点的密度较为混乱。因此为了能够使得所得到的聚类半径内数据点的密度趋近一致，通过K-means聚类算法进行进一步的分类，使得得到平均距离最小的数据点类别对应的数据点的密度与温度数据点更加接近，使得所选取的聚类半径中数据点的密度也趋近一致，方便后续进行基于密度的聚类分析。在本发明实施例中，预设第二数量设置为2。需要说明的是，实施者可根据具体实施环境自行设置预设第二数量的大小；且K-means聚类算法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。

在本发明实施例中，距离差异特征的获取方法在公式上表现为：

其中，

为温度数据点的距离差异特征，

为临近数据点到温度数据点的距离最 大值，

为临近数据点到温度数据点的距离最小值。对应的距离极差越大，距离最大值越 小，对应的距离差异特征越大。

此外，实施者也可通过其他形式的公式表征距离差异特征，例如：

其中，

为归一化函数，其他参数与本发明实施例中距离差异特征的获取方 法公式中的参数相同，在此不做进一步赘述。

至此，对温度空间中每个温度数据点得到一个初始的聚类半径。由于所获取初始的聚类半径内温度数据点的密度接近一致，对于DBSCAN算法来说，此时得到的聚类半径局限性太大，对应的聚类半径相对于实际聚类效果最好的聚类半径偏小，因此本发明实施例在初始的聚类半径的基础上，对聚类半径进行自适应的放大，得到每个温度数据点最合适的最优聚类半径。本发明实施例将聚类半径进行迭代膨胀，根据每次膨胀后的膨胀效果得到每个温度数据点的最优聚类半径；膨胀效果根据每个温度数据点每次膨胀后的聚类半径对应范围内其他温度数据点的膨胀密度变化特征和整体夹角特征值得到。

优选地，膨胀效果的获取方法包括：

对于每次膨胀中的任意一次膨胀：当温度数据点膨胀前后的聚类半径对应范围内温度数据点的数量没有发生变化，将本次膨胀的膨胀效果记为0。膨胀后的聚类半径内温度数据点的数量不变，说明膨胀前的聚类半径中的数据点越趋近与一个聚类集合，此时继续膨胀的意义不大。因此将本次膨胀的膨胀效果记为0。需要说明的是，本发明实施例将聚类半径内温度数据点的数量没有发生变化对应的膨胀效果记为0的目的是，停止后续的膨胀过程，实施者可自行设置聚类半径内温度数据点的数量没有发生变化对应的膨胀效果数值，但是需要保证对应的膨胀效果数值不满足继续进行迭代膨胀的条件。

当温度数据点膨胀前后的聚类半径对应范围内温度数据点的数量增加时：

以温度数据点为中心点，以膨胀前的聚类半径为半径构建球体区域，将球体区域内除中心点外的其他温度数据点记为邻域数据点，过中心点通过分割平面将球体区域分割为两个数据点数量差异最小的半球体；当仅存在一个分割平面时，将分割平面记为特征平面；当存在两个以上分割平面时，计算所有邻域数据点到分割平面的距离累加和，将对应距离累加和最小的分割平面作为特征平面。需要说明的是，除了通过分割平面对应的距离累加和外，也可通过平均距离的方式根据分割平面筛选出特征平面，实施者可自行选择特征平面的获取方式，在此不做进一步限定。

由于在膨胀前，各个邻域数据点在对应球体区域内的分布较为均匀，因此过中心点选取平面能够对球体区域内其他温度数据点的空间分布信息进行表征，分割平面能够根据数据点的数量将球体区域进行均匀划分，但是由于分割平面是过中心点选取的，因此一个球体区域可能会得到多个分割平面，因此进一步根据所有数据点到各个分割平面的距离，筛选出距离累加和最小的特征平面，能够在筛选出表征温度数据点空间分布信息的唯一的平面的同时，使得球体区域内其他邻域数据点的空间分布信息的表征更加准确。

任选一个邻域数据点作为目标邻域数据点，将目标邻域数据点和中心点之间的直线记为目标直线，将目标直线与特征平面的夹角记为目标邻域夹角。通过邻域数据点和温度数据点之间的直线与特征平面，通过计算直线与特征平面夹角的方式将各个邻域数据点的空间分布信息降维，方便后续计算分析。

将中心点对应的温度数据点对应的膨胀后的聚类半径对应范围内新加入的温度数据点作为膨胀数据点，将距离目标直线最近的膨胀数据点和中心点之间的直线与特征平面的夹角记为特征夹角。由于膨胀后可能会获得多个膨胀数据点，所以在进一步进行计算时，需要选取其中一个膨胀数据点与目标邻域数据点进行对比分析，考虑到膨胀后空间分布信息会发生改变，空间分布信息变化越小，对应的膨胀效果越好；由于膨胀前对应的聚类半径内所有温度数据点是均匀分布的，因此当膨胀效果较好时，新加入的温度数据点应当也符合均匀分布的现象。而在空间中均匀分布的数据点之间，临近的两个数据点到中心点对应的温度数据点之间的直线角度差异会很小。因此在选取膨胀数据点时，也应当选取距离目标直线或目标邻域数据点最近的膨胀数据点进行进一步分析。本发明实施例通过选取距离目标直线最近的膨胀数据点进行分析，实施者也可根据具体实施环境选取与目标邻域数据点距离最近的膨胀数据点，在此不做进一步赘述。

获得目标邻域夹角和特征夹角之间的夹角最大值，计算目标邻域夹角和特征夹角之间的夹角差值，将夹角差值和夹角最大值的比值进行负相关映射，得到目标邻域数据点的局部夹角特征值；夹角差值则表征局部区域内空间分布信息的变化情况，且夹角差值越小，说明空间分布信息变化越小，对应的膨胀效果越好；进一步将夹角差值进行负相关映射的目的是，使得夹角差值和膨胀效果之间关系对应。在本发明实施例中，通过数值1减去夹角差值和夹角最大值的比值的方式进行负相关映射。需要说明的是，以夹角最大值作为分母的目的是将夹角差值的数值进行限制，方便进一步分析，实施者也可直接将夹角差值进行归一化后进行负相关映射得到局部夹角特征值；且实施者也可通过其他负相关映射方式得到局部夹角特征值，在此不做进一步赘述。

改变目标邻域数据点得到所有邻域数据点的局部夹角特征值，将所有局部夹角特征值进行累加计算得到整体夹角特征值。以目标邻域数据点的局部夹角特征值的获取方式，得到所有邻域数据点的局部夹角特征值，进一步将所有局部夹角特征值进行累加得到表征整体夹角特征的整体夹角特征值。对应的整体夹角特征值越大，对应本次膨胀的膨胀效果越好。

计算中心点对应温度数据点对应的膨胀前后的聚类半径对应范围内，温度数据点的数量差异与膨胀前的聚类半径对应范围内温度数据点的数量之间的比值，将比值与预设膨胀系数的差异作为膨胀密度变化特征。考虑到当膨胀后的空间分布信息变化越小，对应的膨胀效果越好；即当膨胀后的密度变化越小，即膨胀后温度数据点的数量变化程度与预设膨胀系数越接近时，对应的膨胀效果越好。本发明实施例通过膨胀密度变化特征表征对应的数量变化程度与预设膨胀系数之间距离。对应的膨胀密度变化特征越小时，说明对应的数量变化程度与预设膨胀系数越接近，对应空间分布信息变化越小，即说明本次膨胀的膨胀效果越好。在本发明实施例中，预设膨胀系数设置为1.1。需要说明的是，实施者可根据具体实施环境自行设置预设膨胀系数的大小。

根据整体夹角特征值与膨胀密度变化特征得到中心点对应的温度数据点本次膨胀的膨胀效果，膨胀效果与整体夹角特征值呈正比，膨胀效果与膨胀密度变化特征呈反比。在本发明实施例中，将膨胀密度变化特征与预设常数的相加得到和值，将整体夹角特征值与该和值的比值作为本次膨胀的膨胀效果。加入预设常数的目的是防止计算过程中的分母为0。需要说明的是，实施者也可根据整体夹角特征值与膨胀密度变化特征通过除比值之外的其他方式得到膨胀效果。例如，将整体夹角特征值与膨胀密度变化特征归一化后做差，但是需要相应的改变后续阈值等数值的选取，在此不做进一步赘述。

在本发明实施例中，当温度数据点膨胀前后的聚类半径内温度数据点的数量增加时的膨胀效果的获取方法在公式上表现为：

其中，

为温度数据点

第

次膨胀对应的膨胀效果，

为温度数据点

在第

次 膨胀前的聚类半径内温度数据点的数量，

为温度数据点

在第

次膨胀对应的第

个邻域 数据点与温度数据点

形成的直线Qi与特征平面的邻域夹角；

为温度数据点

在第

次膨 胀后新加入的膨胀数据点

与温度数据点

形成的直线与特征平面的特征夹角，其中膨胀数 据点

为新加入的所有温度数据点中与直线Qi距离最近的温度数据点；

为温度数据点

在 第

次膨胀后的聚类半径的球形区域内温度数据点的数量，

为温度数据点

在第

次膨胀 前的聚类半径的球形区域内温度数据点的数量，

为预设膨胀系数，

为预设常数，

为 最大值选取函数。在本发明实施例中，预设膨胀系数

设置为1.1，预设常数

设置为0.0001。

为温度数据点

在

次膨胀对应的第

个邻域数据点的局部夹角特征值，

为温度数据点

在

次膨胀时对应的整体夹角特征值，

为温 度数据点

在

次膨胀时对应的膨胀密度变化特征。

此外，实施者也可通过其他形式的公式表征温度数据点膨胀前后的聚类半径内温度数据点的数量增加时的膨胀效果，例如：

其中，

为以自然常数

为底的指数函数，其他参数与本发明实施例中温度数 据点膨胀前后的聚类半径内温度数据点的数量增加时的膨胀效果获取方法公式中的参数 相同，在此不做进一步赘述。

优选地，根据每次膨胀后的膨胀效果得到温度数据点的最优聚类半径包括：

对于任意一个温度数据点：每次膨胀完成后统计对应的膨胀效果和膨胀次数，当膨胀效果小于预设停止阈值时迭代膨胀停止；当膨胀效果大于或等于预设停止阈值时继续迭代膨胀，直至膨胀效果小于预设停止阈值或膨胀次数达到预设膨胀次数时迭代膨胀停止；将迭代膨胀过程中最后一次膨胀前的聚类半径作为对应的最优聚类半径。

当膨胀效果小于预设停止阈值时，对应的膨胀效果较差，且膨胀效果越小时，说明本次膨胀的聚类半径越不合理，因此需要舍弃本次膨胀并停止膨胀过程，将前一次膨胀对应的聚类半径作为最优聚类半径；当膨胀效果大于或等于预设停止阈值时，对应的膨胀效果较好，且膨胀效果越大时，说明膨胀前的聚类半径越不合理，因此需要进一步进行膨胀。当某个温度数据点的聚类半径在达到预设膨胀次数时的膨胀效果依然大于或等于预设停止阈值，说明对应的温度数据点为核心点的概率非常大，继续进行膨胀的意义不大，因此通过预设膨胀次数进行限制，将最后一次膨胀前的聚类半径作为最优聚类半径。在本发明实施例中，预设停止阈值设置为0.75，预设膨胀次数设置为20。需要说明的是，实施者可根据具体实施环境自行设置预设停止阈值和预设膨胀次数的数值大小，在此不做进一步限定和赘述。

核心点判定模块103，用于统计温度数据点得到最优聚类半径的膨胀次数和每次膨胀的膨胀效果，根据最优聚类半径对应范围内温度数据点的数量、膨胀次数和膨胀效果，得到每个温度数据点的最少点数目；根据温度数据点与最优聚类半径对应范围内其他温度数据点之间，对应的膨胀次数差异和每次膨胀的膨胀过程差异，得到每个温度数据点的最优聚类半径对应范围内的有效数据点，根据有效数据点的数量和最少点数目判定每个温度数据点是否为核心点。

至此，通过最优聚类半径获取模块102获取每个温度数据点的最优聚类半径，即对应DBSCAN算法中的聚类半径这一先验参数，所以进一步需要获得另一先验参数即最少点数目。在DBSCAN算法中，最少点数目用于判定某个数据点是否为核心点，对应本发明实施例中，当温度数据点的最优聚类半径内的数据点数量大于或等于最少点数目时，将对应的温度数据点作为核心点。在得到所有的核心点之后，当某个温度数据点在某一核心点最优聚类半径内，但又不是核心点，将该温度数据点记为边界点；而既不属于核心点又不属于边界点的温度数据点即为异常点。异常点对应的温度数据点即为本发明实施例需要检测的异常温度数据。

因此，进一步需要获取最少点数目，由于不同的温度数据点的最优聚类半径不同；因此在计算最少点数目时，对每个温度数据点自适应选取对应的最少点数目。考虑到在对温度数据点初始的聚类半径进行膨胀得到最优聚类半径时，膨胀次数和膨胀效果越大时，说明膨胀过程中数据点的空间分布信息变化差异越小，即密度变化越小，说明对应的最优聚类半径内的数据点越可能为一个数据点集合中的数据点。所以在进行自适应选取最少点数目时，也需要根据膨胀效果和膨胀次数进行分析。在本发明实施例中，统计温度数据点得到最优聚类半径的膨胀次数和每次膨胀的膨胀效果，根据最优聚类半径对应范围内温度数据点的数量、膨胀次数和膨胀效果，得到每个温度数据点的最少点数目。

优选地，最少点数目的获取方法包括：

对于任意一个温度数据点：将对应所有膨胀效果的累加和与对应膨胀次数的乘积作为第一乘积，将第一乘积的负相关映射值与对应最优聚类半径内其他温度数据点的数量的乘积，作为对应温度数据点的最少点数目。

考虑到当温度数据点越可能为核心点时，对应的最少点数目应当设置的越小，便于进行核心点的判定。而每次膨胀对应膨胀效果的累加和越大，膨胀次数越大时，说明对应温度数据点的聚类半径在膨胀过程中数据点的空间分布信息变化差异越小，即越可能属于核心点。因此为了符合膨胀次数、膨胀效果和最少点数目之间的逻辑关系，本发明实施例通过膨胀次数与膨胀效果的乘积得到的第一乘积进行负相关映射后进一步表征最少点数目。考虑到不同的温度数据点最优聚类半径不同，因此以最优聚类半径内温度数据点的数量作为自适应选取最少点数目的基本参数。

在本发明实施例中，最少点数目的获取方法在公式上表现为：

其中，

为温度数据点

对应的最少点数目，

为温度数据点

对应的最优聚 类半径内其他温度数据点的数量，

为温度数据点

对应的膨胀次数，

为温度数据点

在第

次膨胀是对应的膨胀效果。

为以自然常数e为底的指数函数。

为温度数据 点

对应的第一乘积。

此外，实施者也可通过其他形式的公式表征最少点数目的获取方法，例如：

其中，公式中的所有参数与本发明实施例中最少点数目的获取方法对应的公式相同，在此不做进一步赘述。

虽然本发明实施例获取的最少点数目是根据每个温度数据点邻域的空间分布信息进行自适应选取的，但是本发明实施例得到的最少点数目在数值少均小于每个温度数据点最优聚类半径内的数据点数量，直接采用该最少点数目进行核心点的判断时，会导致所有的数据点均会被判定为核心点的现象。考虑到传统的DBSCAN算法在进行核心点判定时，直接统计每个数据点聚类半径内数据点的数目并与最少点数目进行比较，会忽略数据点的特征相似性，导致部分温度数据点被误判为核心点。因此本发明实施例在判定核心点之前，引入温度数据点之间的相似性，根据数据点之间的最优聚类半径差异以及优化过程差异，获取每个温度数据点最优聚类半径内的有效数据点，并根据有效数据点的数量与对应的最少点数目进行对比完成核心点的判定。

本发明实施例根据温度数据点与最优聚类半径对应范围内其他温度数据点之间，对应的膨胀次数差异和每次膨胀的膨胀过程差异，得到每个温度数据点的最优聚类半径对应范围内的有效数据点，根据有效数据点的数量和最少点数目判定每个温度数据点是否为核心点。

优选地，有效数据点的获取方法包括：

在所有温度数据点中任选一个温度数据点作为中心数据点，将中心数据点对应的最优聚类半径对应范围内的其他温度数据点作为最优邻域数据点，获取每个最优邻域数据点对应的膨胀次数、每次膨胀的膨胀效果和最优聚类半径；将中心数据点与最优邻域数据点之间对应的膨胀次数差异进行负相关映射，得到最优邻域数据点对应的膨胀次数相似特征。膨胀次数相似特征表征中心数据点与最优邻域数据点之间在膨胀次数上的相似性，对应的膨胀次数差异越大，膨胀次数相似特征越小，说明的中心数据点与对应的最优邻域数据点之间越不相似。在本发明实施例中，将膨胀次数的差异与预设常数进行相加后的倒数作为膨胀次数相似特征。需要说明的是，除倒数外，实施者也可选择其他负相关映射方式根据膨胀次数差异得到膨胀次数相似特征。

将中心数据点与最优邻域数据点之间对应的膨胀次数最小值作为最小膨胀次数。设置最小膨胀次数的目的是：当中心数据点与最优邻域数据点之间的膨胀次数不同时，一定会存在一个较小的膨胀次数，而在计算较小的膨胀次数之后的膨胀效果差异时，由于其中一个数据点已经停止膨胀，导致后续的计算无法代入数据，因此通过最小膨胀次数进行限定。

在最小膨胀次数中，计算每次膨胀时中心数据点与最优邻域数据点之间对应的最优聚类半径差异和膨胀效果差异，将每次膨胀时的最优聚类半径差异和膨胀效果差异的乘积进行负相关映射，得到每次膨胀时对应的局部膨胀相似特征，将最小膨胀次数中的每次膨胀对应的局部膨胀相似特征的累加值，作为最优邻域数据点对应的膨胀过程相似特征。

在同一膨胀次数时，对应的聚类半径差异越大，膨胀效果差异越大，对应的局部膨胀相似特征越小，说明的中心数据点与对应的最优邻域数据点之间的膨胀过程越不相似。在本发明实施例中，通过以自然常数e为底的指数函数对最优聚类半径差异和膨胀效果差异的乘积进行负相关映射。需要说明的是，实施者也可通过其他负相关映射方式根据最优聚类半径差异和膨胀效果差异得到局部膨胀相似特征，在此不做进一步限定。进一步通过局部膨胀相似特征的累加得到表征所有膨胀过程相似性的膨胀过程相似特征。

根据膨胀次数相似特征和膨胀过程相似特征的乘积，得到最优邻域数据点的有效特征值；统计中心数据点对应的所有最优邻域数据点的有效特征值，将有效特征值大于预设有效阈值的最优邻域数据点作为有效数据点。

考虑到膨胀次数差异越小，每次膨胀对应的聚类半径差异越小，膨胀效果差异越小时，说明最优邻域数据点和温度数据点之间的优化次数和优化过程越相似，说明最优邻域数据点越有效。因此通过膨胀次数相似特征和膨胀过程相似特征的乘积的形式表征最优邻域数据点的有效特征值，对应的膨胀次数相似特征越大，局部膨胀相似特征越大，说明最优邻域数据点的有效特征值越大。进一步根据最优邻域数据点的有效数据点的判定方法，完成中心数据点最优聚类半径内所有最优邻域数据点的有效数据点判定。在本发明实施例中，预设有效阈值设置为0.7。需要说明的是，实施者根据具体实施情况具体设置预设有效阈值的大小。

在本发明实施例中，以温度数据点Q作为中心数据点为例，有效特征值的获取方式在公式上表现为：

其中，

为温度数据点Q的最优聚类半径内最优邻域数据点A的有效特征值，

为 温度数据点Q的膨胀次数，

为最优邻域数据点A的膨胀次数，

为第

次膨胀前温度数据点 Q的聚类半径，

为第

次膨胀前最优邻域数据点A的聚类半径，

为第

次膨胀时温度数据 点Q的膨胀效果，

为第

次膨胀时最优邻域数据点A的膨胀效果，

为最小值选取函数，

为以自然常数e为底的指数函数；

为预设常数，在本发明实施例中，预设常数

设置为 0.0001。

为膨胀次数相似特征，

为第

次膨胀时对应的 局部膨胀相似特征，为

为膨胀过程相似特征。

实施者也可通过其他形式的公式获取有效特征值，例如：

其中，公式中的参数与本发明实施例中有效特征值的获取方式对应的公式相同，在此不做进一步赘述。

优选地，根据有效数据点的数量和最少点数目判定温度数据点是否为核心点包括：

对于任意一个温度数据点：当对应的有效数据点的数量大于或等于最少点数目时，对应的温度数据点是核心点；当对应的有效数据点的数量小于最少点数目时，对应的温度数据点不是核心点。根据DBSCAN算法中的核心点判定方法，将温度数据点最优聚类半径内有效数据点的数量替代其他温度数据点的数量，由于有效数据点的获取过程考虑到温度数据点之间的相似性，因此所选取的核心点的准确度更高，使得后续对异常数据点的筛选更加准确。

体外循环温度智能测定模块104，用于根据每个核心点和对应的最优聚类半径筛选出噪声点，将噪声点对应的温度数据作为异常温度数据，根据异常温度数据进行体外循环温度智能测定。

至此通过核心点判定模块103得到温度空间中所有的核心点，进一步可根据DBSCAN算法基于核心点筛选出孤立的异常点，从而进一步筛选出异常温度数据。本发明实施例根据每个核心点和对应的最优聚类半径筛选出噪声点，将噪声点对应的温度数据作为异常温度数据，根据异常温度数据进行体外循环温度智能测定。

优选地，噪声点的获取方法包括：

在温度空间中，将没有处于核心点的最优聚类半径对应范围内的温度数据点作为噪声点。在核心点聚类半径内但不属于核心点的温度数据点为边界点，核心点和边界点都是属于温度数据点集合的温度数据点，而当温度数据点既不属于核心点也不属于边界点的数据点时，说明在温度空间中，该温度数据点被孤立，不属于任何一个温度数据点集合，即该孤立的温度数据点为异常温度数据，即为噪声点，进一步筛选出异常温度数据进行体外循环温度智能测定。

至此，本发明完成。

综上所述，本发明将脏器温度映射至温度空间后，根据每个温度数据点的密度分布得到初始的聚类半径，对初始的聚类半径进行迭代膨胀得到每个温度数据点的最优聚类半径，并根据最优聚类半径和获取最优聚类半径过程中迭代膨胀的膨胀次数、膨胀效果，得到每个温度数据点的最少点数目，并根据每个数据点最优聚类半径内数据点最优聚类半径获取过程的相似特征得到有效数据点，根据最少点数目和有效数据点，完成核心点的判定，根据核心点和最优聚类半径筛选出异常温度数据进行体外循环温度智能测定。本发明通过自适应选取最优聚类半径和最少点数目的方法提高了对异常温度数据检测的准确度。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种体外循环温度智能测定系统，其特征在于，所述系统包括：

温度数据采集模块，用于获取每个时刻下包含至少两个脏器温度的温度数据；

最优聚类半径获取模块，用于将所述温度数据映射至温度空间，得到每个温度数据的温度数据点；根据每个温度数据点与临近的温度数据点的距离极差，得到每个温度数据点的聚类半径；将所述聚类半径进行迭代膨胀，根据每次膨胀后的膨胀效果得到每个温度数据点的最优聚类半径；所述膨胀效果根据每个温度数据点每次膨胀后的聚类半径对应范围内其他温度数据点的膨胀密度变化特征和整体夹角特征值得到；

核心点判定模块，用于统计温度数据点得到最优聚类半径的膨胀次数和每次膨胀的膨胀效果，根据所述最优聚类半径对应范围内温度数据点的数量、所述膨胀次数和所述膨胀效果，得到每个温度数据点的最少点数目；根据温度数据点与所述最优聚类半径对应范围内其他温度数据点之间，对应的膨胀次数差异和每次膨胀的膨胀过程差异，得到每个温度数据点的最优聚类半径对应范围内的有效数据点，根据所述有效数据点的数量和所述最少点数目判定每个温度数据点是否为核心点；

体外循环温度智能测定模块，用于根据每个核心点和对应的最优聚类半径筛选出噪声点，将所述噪声点对应的温度数据作为异常温度数据，根据所述异常温度数据进行体外循环温度智能测定。

2.根据权利要求1所述的一种体外循环温度智能测定系统，其特征在于，所述温度数据点的获取方法包括：

以温度数据中每个脏器温度为坐标轴构建温度空间，将每个时刻下的温度数据映射至所述温度空间中，得到每个温度数据对应的温度数据点。

3.根据权利要求1所述的一种体外循环温度智能测定系统，其特征在于，所述聚类半径的获取方法包括：

在温度空间所有温度数据点中选取任意一个温度数据点作为目标温度数据点，将与目标温度数据点临近的预设第一数量个其他温度数据点作为临近数据点，统计目标温度数据点与每个临近数据点之间的距离，将距离极差与距离最大值之间的比值作为目标温度数据点对应的距离差异特征；

当所述距离差异特征小于或等于预设密度阈值时，将所述目标温度数据点对应的所述距离最大值作为对应的聚类半径；

当所述距离差异特征大于预设密度阈值时，采用K-means聚类算法将所有临近数据点划分为预设第二数量个数据点类别，计算每个数据点类别中临近数据点到所述目标温度数据点之间的平均距离，将所述平均距离最小的数据点类别中的临近数据点到所述目标温度数据点之间距离的最大值，作为所述目标温度数据点的聚类半径。

4.根据权利要求1所述的一种体外循环温度智能测定系统，其特征在于，所述膨胀效果的获取方法包括：

对于每次膨胀中的任意一次膨胀：

当温度数据点膨胀前后的聚类半径对应范围内温度数据点的数量没有发生变化时，将温度数据点对应本次膨胀的膨胀效果记为0；

当温度数据点膨胀前后的聚类半径对应范围内温度数据点的数量增加时：

以温度数据点为中心点，以膨胀前的聚类半径为半径构建球体区域，将所述球体区域内除中心点外的其他温度数据点记为邻域数据点，过中心点通过分割平面将所述球体区域分割为两个数据点数量差异最小的半球体；当仅存在一个分割平面时，将所述分割平面记为特征平面；当存在两个以上分割平面时，计算所有邻域数据点到分割平面的距离累加和，将对应距离累加和最小的分割平面作为特征平面；任选一个邻域数据点作为目标邻域数据点，将目标邻域数据点和中心点之间的直线记为目标直线，将目标直线与所述特征平面的夹角记为目标邻域夹角；

将中心点对应的温度数据点对应的膨胀后的聚类半径对应范围内新加入的温度数据点作为膨胀数据点，将距离目标直线最近的膨胀数据点和中心点之间的直线与所述特征平面的夹角记为特征夹角，获得目标邻域夹角和所述特征夹角之间的夹角最大值，计算所述目标邻域夹角和所述特征夹角之间的夹角差值，将所述夹角差值和所述夹角最大值的比值进行负相关映射，得到目标邻域数据点的局部夹角特征值；改变目标邻域数据点得到所有邻域数据点的局部夹角特征值，将所有局部夹角特征值进行累加计算得到整体夹角特征值；

计算中心点对应温度数据点对应的膨胀前后的聚类半径对应范围内，温度数据点的数量差异与膨胀前的聚类半径对应范围内温度数据点的数量之间的比值，将所述比值与预设膨胀系数的差异作为膨胀密度变化特征；根据所述整体夹角特征值与所述膨胀密度变化特征得到中心点对应的温度数据点本次膨胀的膨胀效果，所述膨胀效果与整体夹角特征值呈正比，所述膨胀效果与所述膨胀密度变化特征呈反比。

5.根据权利要求1所述的一种体外循环温度智能测定系统，其特征在于，所述根据每次膨胀后的膨胀效果得到每个温度数据点的最优聚类半径包括：

对于任意一个温度数据点：

每次膨胀完成后统计对应的膨胀效果和膨胀次数，当膨胀效果小于预设停止阈值时迭代膨胀停止；当膨胀效果大于或等于预设停止阈值时继续迭代膨胀，直至膨胀效果小于预设停止阈值或膨胀次数达到预设膨胀次数时迭代膨胀停止；将迭代膨胀过程中最后一次膨胀前的聚类半径作为对应的最优聚类半径。

6.根据权利要求1所述的一种体外循环温度智能测定系统，其特征在于，所述最少点数目的获取方法包括：

对于任意一个温度数据点：

将对应所有膨胀效果的累加和与对应膨胀次数的乘积作为第一乘积，将所述第一乘积的负相关映射值与对应最优聚类半径内其他温度数据点的数量的乘积，作为对应温度数据点的最少点数目。

7.根据权利要求1所述的一种体外循环温度智能测定系统，其特征在于，所述有效数据点的获取方法包括：

在所有温度数据点中任选一个温度数据点作为中心数据点，将所述中心数据点对应的最优聚类半径对应范围内的其他温度数据点作为最优邻域数据点，获取每个最优邻域数据点对应的膨胀次数、每次膨胀的膨胀效果和最优聚类半径；将所述中心数据点与所述最优邻域数据点之间对应的膨胀次数差异进行负相关映射，得到所述最优邻域数据点对应的膨胀次数相似特征；

将所述中心数据点与所述最优邻域数据点之间对应的膨胀次数最小值作为最小膨胀次数；在最小膨胀次数中，计算每次膨胀时所述中心数据点与所述最优邻域数据点之间对应的最优聚类半径差异和膨胀效果差异，将每次膨胀时的最优聚类半径差异和膨胀效果差异的乘积进行负相关映射，得到每次膨胀时对应的局部膨胀相似特征，将最小膨胀次数中的每次膨胀对应的局部膨胀相似特征的累加值，作为所述最优邻域数据点对应的膨胀过程相似特征；

根据所述膨胀次数相似特征和所述膨胀过程相似特征的乘积，得到所述最优邻域数据点的有效特征值；统计所述中心数据点对应的所有最优邻域数据点的有效特征值，将有效特征值大于预设有效阈值的最优邻域数据点作为有效数据点。

8.根据权利要求1所述的一种体外循环温度智能测定系统，其特征在于，所述根据所述有效数据点的数量和所述最少点数目判定每个温度数据点是否为核心点包括：

对于任意一个温度数据点：

当对应的有效数据点的数量大于或等于所述最少点数目时，对应的温度数据点是核心点；

当对应的有效数据点的数量小于所述最少点数目时，对应的温度数据点不是核心点。

9.根据权利要求1所述的一种体外循环温度智能测定系统，其特征在于，所述噪声点的获取方法包括：

在所述温度空间中，将没有处于核心点的最优聚类半径对应范围内的温度数据点作为噪声点。

Images