一种CGM时序事件异常识别方法及系统与流程

本技术涉及深度学习异常检测，尤其涉及一种cgm时序事件异常识别方法及系统。

背景技术：

1、糖尿病是一种常见的慢性非传染性疾病，是由遗传和环境因素相互作用而引起的临床综合征，是终身性疾病。如果糖尿病患者不注意控制，则可能会影响身体健康，缩短生存周期。糖尿病主要分为两类，即1型糖尿病和2型糖尿病。1型糖尿病是由于胰腺分泌胰岛素不足引起的，而2型糖尿病主要是由于胰岛素抵抗和胰岛素的无效使用导致。糖尿病会对人类健康造成严重危害，发病率高、并发症多、致病因素广，治愈难度大，因此各个相关领域都积极致力于糖尿病的研究。

2、在异常检测的众多方法中，主要包括有监督与无监督两种方法。这些方法在处理批数据时表现出良好性能。但在处理糖尿病患者的血糖数据时，往往需要处理血糖仪高速传输的实时糖尿病数据，以致使用传统的异常检测方法对血糖数据的检测准确率较低。

技术实现思路

1、本技术实施例提供了一种cgm时序事件异常识别方法及系统，用于解决如下技术问题：在处理糖尿病患者的血糖数据时，往往需要处理血糖仪高速传输的实时糖尿病数据，以致使用传统的异常检测方法对血糖数据的检测准确率较低。

2、本技术实施例采用下述技术方案：

3、本技术实施例提供一种cgm时序事件异常识别方法。包括，对获取到的糖尿病患者的血糖数据进行预处理，得到血糖数据对应的时间序列数据；基于时间序列数据，构建cgm时序事件异常识别模型；通过时间感知的注意力机制，确定出在相邻异常事件发生的不同时间间隔下，cgm时序事件异常识别模型对目标信号识别的权重影响状况；基于引入时间感知的注意力机制的cgm时序事件异常识别模型，对预置血糖样本数据进行深度学习，以拟合出基于用户实际血糖数据的重构值；确定出原始输入值与重构值之间的均方误差，并基于改进的高斯分布确定出自适应阈值；将用户的血糖数据对应的损失值与自适应阈值进行比对，以基于比对结果确定出异常数据。

4、本技术实施例通过使用min-max标准化的方法，对预处理之后的血糖数据进行标准化处理，使得对异常数据的预测效果更好。其次，使用lstm-transformer融合模型实现cgm(continuous glucose monitor，连续血糖监测)时序事件异常识别，有效结合了lstm的时序建模和transformer的全局上下文理解，提高了模型的性能。通过引入基于时间感知的注意力机制，能够根据血糖数据的不同时间间隔来调整其对目标信号预测的影响权重，提高了模型的识别精度。

5、在本技术的一种实现方式中，基于时间序列数据，构建cgm时序事件异常识别模型，具体包括：将时间序列数据输入预置lstm-transformer模型中，以通过lstm-transformer模型的神经网络层，获取时间序列数据中的非线性信息；搭建预置lstm-transformer模型的网络层结构，通过对非线性信息进行权重分配，以对符合条件的时序血糖数据进行提取；基于提取出的符合条件的时序血糖数据，在特征层中重构输入，并在均方误差符合预置稳定条件时，得到cgm时序事件异常识别模型。

6、在本技术的一种实现方式中，通过时间感知的注意力机制，确定出基于相邻异常事件发生的不同时间间隔，cgm时序事件异常识别模型对目标信号识别的权重影响状况，具体包括：基于预置点积函数，将获取到的query向量与key向量进行相似度计算，以基于相似度计算结果得到每个key向量对应的权重值；其中，query向量由最后一个时间步对应的隐藏层表示生成，key向量由多个隐藏层表示生成；基于获取到的相邻异常事件发生的不同时间间隔，对权重值重新进行赋值，并通过预置softmax函数对重新赋值后的权重值进行归一化处理；基于相似度计算结果确定出相应的键值；将键值与归一化处理后的权重值进行加权计算，以得到cgm时序事件异常识别模型对目标信号识别的权重影响状况。

7、在本技术的一种实现方式中，基于获取到的相邻异常事件发生的不同时间间隔，对权重值重新进行赋值，并通过预置softmax函数对重新赋值后的权重值进行归一化处理，具体包括：基于预置函数

8、

9、α1,α2,...,αt＝softmax(ζ1,ζ2,...,ζt)

10、对权重值重新进行赋值，以及对重新赋值后的权重值进行归一化处理；其中，δt为到最新记录的时间间隔，σ为sigmoid函数，βn为可学习参数；qt为最后一个时间步t的隐藏层的查询向量；kt为每个时间步t对应隐藏层的键向量；ζt为重新赋值后的权重值；α为归一化处理后的值。

11、在本技术的一种实现方式中，确定出原始输入值与重构值之间的均方误差，并基于改进的高斯分布确定出自适应阈值，具体包括：基于预置血糖样本数据、预置血糖样本数据的数量以及重构值，确定出原始输入值与重构值之间的均方误差；基于预置血糖样本数据的数量、均方误差的均值以及预设置信度，确定出均方误差对应的高斯分布期望，以基于均方误差对应的高斯分布期望确定出自适应阈值。

12、在本技术的一种实现方式中，基于预置血糖样本数据的数量、均方误差的均值以及预设置信度，确定出均方误差对应的高斯分布期望，以基于均方误差对应的高斯分布期望确定出自适应阈值，具体包括：基于预置函数

13、

14、

15、确定出自适应阈值；其中，n为样本数量，为均方误差的均值，tα/2为t分布的上限临界区间，μ为均方误差对应的总体高斯分布期望，s为均方误差的标准偏差，ξ为自适应阈值；取置信度1-α＝0.99。

16、在本技术的一种实现方式中，将用户的血糖数据对应的损失值与自适应阈值进行比对，以基于比对结果确定出异常数据，具体包括：在用户的血糖数据对应的损失值大于自适应阈值的情况下，确定血糖数据对应的时间段为异常数据；在在用户的血糖数据对应的损失值不大于自适应阈值的情况下，确定血糖数据对应的时间段为正常数据。

17、在本技术的一种实现方式中，对获取到的糖尿病患者的血糖数据进行预处理，得到血糖数据对应的时间序列数据，具体包括：通过均值插值的方式，对获取到的糖尿病患者的血糖数据进行缺失值填补；以及通过卡尔曼滤波对血糖数据进行滤波；基于预置归一化函数，对血糖数据进行归一化处理；通过滑动时间窗对归一化处理后的血糖数据进行切割，以得到时间序列数据。

18、本技术实施例提供一种cgm时序事件异常识别系统，包括：数据集读取模块与算法设计模块：数据集读取模块用于对获取到的糖尿病患者的血糖数据进行预处理，以得到血糖数据对应的时间序列数据；算法设计模块用于基于时间序列数据，构建cgm时序事件异常识别模型；算法设计模块还用于，通过时间感知的注意力机制，确定出基于相邻异常事件发生的不同时间间隔，cgm时序事件异常识别模型对目标信号识别的权重影响状况；算法设计模块还用于，基于引入时间感知的注意力机制的cgm时序事件异常识别模型，对预置血糖样本数据进行深度学习，以拟合出基于用户实际血糖数据的重构值，以及确定出原始输入值与重构值之间的均方误差，并基于改进的高斯分布确定出自适应阈值；算法设计模块还用于，将用户的血糖数据对应的损失值与自适应阈值进行比对，以基于比对结果确定出异常数据。

19、在本技术的一种实现方式中，系统还包括数据下载模块、可视化导出模块以及算法热更新模块；数据下载模块数据用于，将实时获取到的血糖监测数据下载至本地服务器或远程服务器；可视化导出模块用于，将血糖监测数据以图表等形式导出；算法热更新模块用于对相应的算法模型进行在线更新。

20、本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：本技术实施例通过使用min-max标准化的方法，对预处理之后的血糖数据进行标准化处理，使得对异常数据的预测效果更好。其次，使用lstm-transformer融合模型实现cgm时序事件异常识别，有效结合了lstm的时序建模和transformer的全局上下文理解，提高了模型的性能。通过引入基于时间感知的注意力机制，能够根据血糖数据的不同时间间隔来调整其对目标信号预测的影响权重，提高了模型的识别精度。