[发明专利]一种异常心电子序列检测算法设计与应用

说明书

本发明公开了一种异常心电子序列检测算法设计与应用，定义动态时间片段R，动态时间片段指用于寻找最相似数据点的时间窗口，为子序列中一个连续时间片段，t_s,t_s+1,......,t_e(e≤d,s≥1,s≤e)；定义哈希函数hash(.)；其中，w是从范围[1.0/log₂(N),1‑1.0/log₂(N)]中随机均匀采样到的哈希函数宽度参数，r是从范围[0,w]内随机选取参数；本发明结构科学合理，使用安全方便，本发明了一种基于动态局部密度的时间序列异常子序列检测算法。此算法首先评估子序列的中的每个数据点在动态时间片段内的局部密度来评估是据点的异常度，进而判断子序列的异常度。

技术领域

本发明涉及一种心电子序列检测算法技术领域，具体为一种异常心电子序列检测算法设计与应用。

背景技术

在现实生活中，各个领域都包含了大量的时间序列数据，例如病人的心电图数据、脑电图数据、工业领域传感器数据以及网络流数据等，时间序列数据是按照数据产生先后关系形成的数据，因此，时间序列数据记录了某个动作在时间维度上的波动信息，而时间序列数据中可能包含的异常子序列会包含比大多数正常的子序列的更多的重要信息，例如，异常的心电数据意味着病人可能患有某种类型的心脏疾病，异常的脑电数据可能是由癫痫等脑科疾病引起的；工业传感器数据中的异常序列数据可能意味着工厂的某个机器出现了故障；在网络流数据出现的异常流量数据说明系统处于被攻击的状态等，时间序列中异常子序列检测是一个十分重要的领域，含异常模式的时间序列大部分数据表现为正常形态，异常模式出现频率极少，但极少出现的异常模式却包含相当重要的信息，因此，时间序列数据的异常子序列检测研究极具现实意义；

关于时间序列异常检测的研究国内外相关学者已经做过了大量的工作，其中，有基于监督学习的算法，例如:Junshui Ma提出利用One-Class SVM进行时间序列的异常模式检测，其思想源于One-Class SVM能够检测向量数据集中的异常点，通过将时间序列数据转化到相空间之后，利用正类训练数据训练出模型，最后使用训练出来的模型对时间序列进行检测出是否偏离模型，这样就能进行时间序列的异常模式检测，基于无监督的学习算法，例如：Izakian提出利用模糊C均值聚类的方法来进行时间序列异常子序列检测，其思想为将时间序列子序列利用模糊C均值聚类方法进行聚类，聚类簇中心反映了时间序列的模式结构，对原始子序列用聚类中心来进行重新构建，正常的子序列模式结构能够通过通过聚类簇中心较好的重构，而异常子序列难以通过聚类中心重构，通过比较利用聚类簇中心重构之后的子序列与原子序列差异性，来寻找异常子序列，Keogh提出了HOT SAX方法来发现时间序列中的异常子序列，该方法将时间序列转化为SAX表示方法，利用启发式的剪枝策略方法来减少时间序列子序列之间的相似性度量计算，降低了算法的时间复杂度，从而极大提高了时间序列异常子序列检测效率，Guiling提出了一种基于比特表示聚类的新型检测算法，首先，使用PAA对时间序列数据进行降维，然后，提出了一种改进的K-Medoids聚类算法来合并具有相似变化的子序列，最后，采用二进制位的方法来表示聚类中心，设计了两种剪枝策略并引入了时间序列的异常检测算法，Ren等提出了一种基于PAPR表示方式和随机游走模型的时间序列异常检测算法PAPR-RW，算法流程是采用PAPR表示时间序列，然后计算PAPR表示数据上的相似矩阵，把相似矩阵输入RW模型中来评估每个子序列可能异常的概率，Senin等提出了基于语法压缩的时间序列异常检测算法，其首先把时间序列离散化为符号数据，然后推导出上下文无关的语法，并利用其层次结构来发现与异常相关的算法不规则性；

在有监督的时间序列异常检测算法中，是基于已知数据训练模型，来检测未知数据的异常情况，但是，在实际应用领域内，异常往往是不可知的，且数据中可能存在多种不同类型的异常，因此，对于有监督的异常检测算法往往不使用与真实的应用场景；