[发明专利]基于动态滑动窗口与模板匹配的病理数据模型的构造方法

说明书

基于动态滑动窗口与模板匹配的病理数据模型的构造方法。采集神经系统疾病患者的心电信号获取时序病理数据，并运用滑动窗口模型将时序病理数据分为固定大小的数据段；计算各数据段的波动量与均值获取两组病情分割阈值；结合分割阈值对数据段进行病情分类，形成病理数据模板库；依据待检测数据段与病理模板的特征相似程度，对待测数据段进行模板匹配，实现专家系统模型的病情诊断功能。本发明结合多突变点检测算法，提出了两种病情分类策略，有效完成了患者病状的分级；利用动态滑动窗口与分割阈值，结合专家知识生成了多种维度，多种长度的病理模板，极大丰富了专家模板库中模板的种类与病理信息。

技术领域

本发明涉及大数据快速分析与异常检测的技术领域，尤其涉及一种基于动态滑动窗口与模板匹配的病理数据模型的构造方法。

背景技术

人类神经系统的异常放电会诱发癫痫、睡眠障碍和共济失调等多种突发性疾病。此类疾病的突出特点是，病发急促，无明显前兆。生活节奏快，长期熬夜，过度使用电子产品都可能成为神经系统突发性疾病的诱因。目前对于此类疾病的诊断，多依赖于对生物电信号如心电图、脑电图、和肌电图的分析。

通过上述电信号的异常变化可以检测到患者在神经系统疾病发病状态下的非正常神经元活动。目前对于病理时序数据的检测大多采用固定滑动窗口进行分段，但这对检测神经系统电信号来说并不合适，因为神经系统疾病患者不发病时，其神经电信号与健康时无异。只有在发病时，信号才会发生短时剧烈波动。一直采用固定滑动窗口，不仅检测速度慢，并且会漏检发病状态时的重要病理特征，若能使得滑动窗口随着发病状态动态变化，则可以大大提升病理信号检测的准确性与速度。此外，根据心电图准确诊断病情这一项能力的形成需要大量经验的积累，这也意味着在缺乏有经验医师的欠发达地区，神经系统疾病的诊断与治疗存在困难。因此，如果能对动态滑动窗口分解出的窗口向量数据进行病情分类，形成病理模板，结合专家知识构建一套病理数据专家系统模型，将对神经系统疾病的检测有着重要意义。

发明内容

为解决背景技术中所提到的问题，本文提供了一种基于动态滑动窗口与模板匹配的病理数据模型的构造方法。其构造过程包括以下步骤：

步骤1、采集神经系统疾病患者的心电信号，获取时序病理数据，并运用滑动窗口模型将时序病理数据分为固定大小的数据段；

步骤2、计算各数据段的波动量与均值，以此为依据获取两组病情分割阈值；

步骤3、利用动态滑动窗口模型对训练数据与待检测数据动态分段，结合步骤2中的分割阈值，对上述数据段进行病情分类，形成病理数据模板库；

步骤4、依据待检测数据段与病理模板的特征相似程度，对待测数据段进行模板匹配，实现专家系统模型的病情诊断功能；

步骤5、通过设置专家库更新机制、模板排序机制和优先选区进一步提升专家系统模型性能。

优选的是，本发明步骤2计算各数据段的波动量与均值，以此为依据获取两组病情分割阈值；具体过程为：

利用TSTKS突变点检测算法，识别出存在突变点的窗口，依据各窗口中数据发生突变的位置计算出多个窗口的波动量；若不存在突变点，则记窗口波动为0；将各窗口波动量组合成一个多维的波动向量，对波动向量中的波动量排序，将最大的波动量WF_max作为一个波动量分割阈值；均值阈值的提取方式与波动量阈值类似，计算各窗口均值，并进行排序，取最大均值Mean_max作为均值分割阈值。

优选的是，本发明步骤3利用动态滑动窗口模型对训练数据与待检测数据动态分段，结合步骤2中的分割阈值，对上述数据段进行病情分类，形成病理数据模板库；具体过程为：

以患者真实心电信号作为训练数据，使用动态滑动窗口模型分割训练数据，检测窗口向量中突变点位置，计算窗口向量波动比，计算公式为：