[发明专利]一种医疗感应数据流分类模型的构建方法

权利要求书

1.一种医疗感应数据流分类模型的构建方法，其特征在于，包括以下步骤：

采用自监督学习方法训练并获得基于CNN和LSTM结合的医疗感应数据流分类模型，包括：将未标注的数据输入医疗感应数据流分类模型的稀疏自编码器进行训练，使得模型的输入与输出一致；将带有标签的数据输入训练好的稀疏自编码器，输出得对应的分类结果；

基于深度可分离卷积方法训练医疗感应数据流分类模型，获得轻量级医疗感应数据流分类模型，具体为：

采用滑动窗口技术分割由感应器收集的一个时间段内的人体感应数据流，人体感应数据流被分割为n段多维时间序列数据：x₁,...,x_n,其中n∈Z,n≥0；Z是整数集；

将分割的n段多维时间序列数据被输入至医疗感应数据流分类模型进行分类：提取每个滑动窗口内的多维时间序列数据的特征，并根据单位时间的输出和下一单位时间的时间序列数据，预测可变时间长度内的时间序列数据；对预测的时间序列数据的异常与否进行分类，获得和输出分类结果，并得到轻量级医疗感应数据流分类模型；

将获得的轻量级医疗感应数据流分类模型存储在云服务库中或部署在边缘设备上。

2.根据权利要求1所述医疗感应数据流分类模型的构建方法，其特征在于，所述方法中医疗感应数据流分类模型由两层LSTM层、一层全连接层和一层softmax输出层组成，并且连接两层之间的边具有权重。

3.根据权利要求2所述医疗感应数据流分类模型的构建方法，其特征在于，所述LSTM层内两个元胞之间的数据转换即到底部隐藏层的输入其中，i^lower是到底部隐藏层的输入；f()是一个激活函数；是连接上层单元和底层单元边的权重；N是上层的输出编号；o_n是一个元胞的输出；b^l0wer是一个偏置值。

4.根据权利要求2所述医疗感应数据流分类模型的构建方法，其特征在于，所述LSTM层的每个元胞内部设置包含多个卷积层的深度可分离卷积网络；所述卷积层包括两类：3×3Depth-wise卷积层和1×1卷积层，且该两类卷积层间隔排列，每个卷积层后连接一个批量标准化BN层和一个ReLU激活层。

5.根据权利要求1所述医疗感应数据流分类模型的构建方法，其特征在于，所述方法中对预测的时间序列数据的异常与否进行分类，具体为：

由于n个预测的时间序列数据{x₁,…,x_n}，每个数据样本都有m个数字信号并且，第i个预测的时间序列数据x_i∈x_n；

令n个时间序列数据的真实值为则第i个时间序列数据中的第j个元素的误差是

定义多变量高斯第i个预测的时间序列数据x_i的误差向量e_i的分布p为：

其中是n×1矢量，是n×n矩阵；

如果p(e_i；μ；Ξ)＜ε，则称x_i是一个正常的时间序列数据，否则，x_i是异常的时间序列数据，其中ε是误差阈值。

6.根据权利要求5所述医疗感应数据流分类模型的构建方法，其特征在于，所述方法还包括采用移除常规片段法对采集的人体感应数据流进行片段移除。