一种基于半监督Semi-KNN模型的PISA故障识别方法与流程

技术特征：
1.一种基于半监督semi-knn模型的pisa故障识别方法，其特征在于，包括：s10、获取预设时间段内的待测血糖信息，并对待测血糖信息进行预处理，得到预处理后的待测血糖信息；s20、基于预先建立的pisa约束集合和所述预处理后的待测血糖信息，采用相似度度量处理方式，获取待测血糖信息所属的约束关系；所述pisa约束集合为半监督semi-knn模型训练阶段基于先验知识构造的具有ml约束、cl约束的集合，集合中每一元素为血糖子序列的一阶差分特征的信息；s30、将所述预处理后的待测血糖信息、约束关系输入到预先训练的半监督semi-knn模型中，所述半监督semi-knn模型输出待测血糖信息的分类结果；所述半监督semi-knn模型为采用训练数据集和所述pisa约束集合对knn模型进行训练，得到的用于识别血糖信息异常的半监督方式的模型，且所述训练数据集包括经由一阶差分处理的血糖数据。2.根据权利要求1所述的方法，其特征在于，所述s10之前，所述方法还包括：s01、借助于连续血糖监测系统cgm获取多个历史血糖数据，并对每一历史血糖数据进行预处理，并得到血糖序列；每一血糖序列中包括具有pisa时间戳标签的血糖数据和非pisa时间戳标签的血糖数据；s02、将每一血糖序列划分为多个子序列，并对每一个子序列进行一阶差分计算，得到训练数据集；s03、基于先验知识和训练数据集中的具有pisa时间戳标签的训练数据，按照半监督约束条件形成规则，生成pisa约束集合；s04、将所述训练数据集和pisa约束集合对半监督semi-knn模型进行训练获取训练后的半监督semi-knn模型；所述半监督semi-knn模型为改进knn模型并采用半监督方式构建的。3.根据权利要求2所述的方法，其特征在于，所述s04包括：s04-1、遍历训练数据集的所有子序列，构建离线k维搜索二叉树，得到k-d树；s04-2、基于所述k-d树，遍历pisa约束集合，获取半监督semi-knn模型的异常阈值σ，所述异常阈值的边界阈值为σ1和σ2，表示为σ＝[σ1，σ2]；其中，采用dtw相似性度量函数计算pisa约束集合中每一个pisa事件与其他事件的平均距离，得到距离集合；则根据下述公式(1)获得异常阈值σ＝[σ1，σ2]；σ1＝q3 1.5(q3-q1)，公式(1)σ2＝q1-1.5(q3-q1)，待测血糖数据距离pisa约束中ml关系的样本距离dist<σ2，则确定为异常样本；待测血糖数据距离pisa约束中cl关系的样本距离dist>σ1，则确定为异常样本；q3为距离集合中的上四分位数，q1为距离集合中的下四分位数。4.根据权利要求2所述的方法，其特征在于，所述s02包括：对每一个血糖序列做滑动窗口处理，在血糖序列x＝{x1,x2,
…
,xn}中，经大小为w滑动窗口后形成若干子序列qi＝{x
i
,x
i 1
,
…
,x
i k
}，一个序列子集为d＝{q1,q2,
…
,qm}，对每一个子序列qi按照公式(2)进行一阶差分计
算，n表示血糖序列的总长度，i为1到n-w中的任意取值，表示第i条序列，qi为序列子集中的第i条；h为一阶差分公式的改变量，h取值为0.8-1.2；对所有的子序列计算一阶差分后，每一子序列的一阶差分值作为训练数据集。5.根据权利要求1所述的方法，其特征在于，所述s10包括：借助于cgm获取大于等于30-45分钟的待测血糖信息；进行滤波处理，并通过滑动窗口方式对待测血糖信息进行预处理，以去除待测血糖信息中的孤立噪声点并实现缺失值填补，得到待测血糖信息的待测血糖序列。6.根据权利要求5所述的方法，其特征在于，所述s20包括：当待测血糖序列中每一序列的血糖数据a与pisa约束集合中一个pisa事件b的sbd距离小于阈值λ时，即f
sbd
(a,b)<λ，则确定一个约束关系ml(a,b)，并对pisa约束集合进行更新；λ为预设的大于0的数值；f
sbd
表示两个序列计算sbd距离的函数；当待测血糖序列中每一序列的血糖数据a与pisa约束集合中一个pisa事件b的cl约束关系的sbd距离小于阈值λ时，即f
sbd
(a,b)<λ，则确定一个约束关系cl(a,b)，并对pisa约束集合进行更新；遍历待测血糖序列中每一序列，并将更新后的pisa约束集合作为待测血糖信息所属的约束关系。7.根据权利要求3所述的方法，其特征在于，所述s30包括：基于所述k-d树和待测血糖序列，循环迭代方式获取距离到待测血糖序列中每一数据的最近的k个数据点，并得到使用阶段的k-d树，基于使用阶段的k-d树，遍历约束关系，获取待测血糖序列的pisa异常信息的分类结果；采用dtw相似性度量函数计算约束关系中每一个pisa事件与其他事件的实际距离，将该实际距离和异常阈值σ＝[σ1，σ2]进行比较，获得属于pisa事件和非pisa事件的分类结果。8.根据权利要求7所述的方法，其特征在于，将实际距离与异常阈值进行比较后，确定属于约束关系中ml约束的数据量，根据该数据量确定属于pisa事件中异常等级值。9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储计算机程序，所述处理器执行所述存储器中存储的计算机程序，并执行上述权利要求1至8任一所述的基于半监督semi-knn模型的pisa故障识别方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上权利要求1至8任一所述的基于半监督semi-knn模型的pisa故障识别方法的步骤。

技术总结
本发明涉及一种基于半监督Semi-KNN模型的PISA故障识别方法，包括：S10、获取预设时间段内的待测血糖信息并预处理，得到预处理后的待测血糖信息；S20、基于预先建立的PISA约束集合和预处理后的待测血糖信息，采用相似度度量处理方式获取约束关系；S30、将预处理后的待测血糖信息、约束关系输入到预先训练的半监督Semi-KNN模型中，半监督Semi-KNN模型输出待测血糖信息的分类结果；半监督Semi-KNN模型为采用训练数据集和PISA约束集合对KNN模型进行训练，得到的用于识别血糖信息异常的半监督方式的模型。上述方法提高了血糖信息检测的可靠性，提升了故障诊断结果的准确度，且提高了处理效率。理效率。理效率。


技术研发人员：于霞 张占虎 李鸿儒 周健 陆静毅 马晓静
受保护的技术使用者：上海市第六人民医院
技术研发日：2022.02.18
技术公布日：2022/5/31