買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜西南石油大學申請的專利一種基于半監督圖對比學習的心跳異常檢測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115099351B 。

龍圖騰網通過國家知識產權局官網在2025-05-13發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210789455.0，技術領域涉及：G06F18/2433；該發明授權一種基于半監督圖對比學習的心跳異常檢測方法是由胡詩琪;李平;張巍;鐘原;黃睿;茍莉;張阿聰;趙晉松;李攀;李國偉設計研發完成，并于2022-07-06向國家知識產權局提交的專利申請。

本一種基于半監督圖對比學習的心跳異常檢測方法在說明書摘要公布了：本發明公開了一種基于半監督圖對比學習的心跳異常檢測方法，涉及心跳異常檢測領域，包括心跳時間序列數據的狀態圖構建；構建平衡的圖對比學習樣本；對已經配對的圖進行約束性的圖表示對比學習；訓練分類器；本發明通過對心跳時間序列樣本的狀態識別構建狀態演變圖，基于狀態演變圖結構相似性為心跳時間序列數據構造圖對比樣本，然后對演變圖進行圖對比學習，通過訓練對比學習網絡和分類網絡實現對無標簽心跳時間序列數據的異常檢測。

本發明授權一種基于半監督圖對比學習的心跳異常檢測方法在權利要求書中公布了：1.一種基于半監督圖對比學習的心跳異常檢測方法，其具體包括如下步驟：步驟1、心跳時間序列數據的狀態圖構建狀態圖的節點個數由混合高斯模型中的子高斯個數確定的，這里將它作為模型中的超參數nstate，而狀態圖的初始化屬性特征，則由各個高斯的均值與方差按行拼接后得到,經過如下步驟：S1：對于心跳時間序列樣本si∈Rn×m，將每個心跳時間序列樣本進行切割，即切割為si＝{sia1,sia2,…,siaj}，其中a＝a1＝a2＝aj表示在樣本中的分割大小；S2：設置一個超參數nstate，即子高斯的個數是狀態圖的節點個數，對新劃分的進行高斯混合模型的擬合，得到訓練好的高斯混合模型；S3：為了度量每個心跳時間序列子序列樣本內的變化規律以及計算轉移矩陣，將心跳時間序列子序列樣本劃分為前后兩段，即前一段包括{a1,a2,…,aj-1}，后一段包括{a2,a3,…,aj}，通過訓練好的高斯混合模型計算心跳時間序列的每個樣本的前后兩段的后驗概率，此后驗概率即為中的每個小塊的概率分布；S4：根據公式計算轉移矩陣該轉移矩陣即為構建的狀態圖，其中v表示圖中每個節點的一個狀態，t為某時刻，Xt是時間序列分段，θv是狀態模式，Pθv|Xt-1是心跳時間序列分段Xt屬于哪類狀態模式的后驗概率，每條邊表示心跳數據從v到v′的轉移關系，該轉移關系即為心跳時間序列數據的狀態圖，心跳時間序列樣本的{si}的狀態演變圖，標記為{Gi}，對于已有標簽的心跳時間序列狀態演變圖記作{GL}，對于沒有標簽的心跳時間序列狀態演變圖記作{GU}；步驟2、構建平衡的圖對比學習樣本對任意狀態圖mti將其矩陣展平成向量，計算mti與mti+1的向量乘積后并除以模長，即通過公式計算相似性，這里的i＝1,2,…，表示狀態圖的個數，同時也是心跳時間序列樣本的個數，按心跳時間序列的時間軸進行樣本之間的兩兩相似度計算并標記出相似與不相似，這里定義cos相似度大于0.5則表示此配對圖樣本相似，即標記為1；cos相似度小于0.5則表示此配對圖樣本不相似，即標記為-1；步驟3、對已經配對的圖進行約束性的圖表示對比學習在圖上做傅里葉變換后可得到圖的近似卷積公式其中D為度矩陣，A是鄰接矩陣，Hl是節點表示，Wl是可學習的參數，并且根據此公式可直接用神經網絡進行訓練，經過如下步驟：S1：將所有構造的圖Gi都經過圖神經網絡，在圖神經網絡的最后一層通過一個最大池化層的操作，即通過選擇每個節點表示的最大值將圖的節點表示轉換為圖的向量表示，對圖的表示再加上線性層，將圖神經網絡輸出的圖表示的輸出轉換為其中C表示類別數量；S2：對于每個圖的Gi的圖表示通過softmax函數獲得經驗分布fθGi，這里定義經驗分布為：其中N為心跳時間序列樣本內劃分的子序列個數；S3：對配對的P＝G1,G2的平均經驗分布計算KL散度，本申請的損失函數是在KL散度上添加一個hinge損失來構造的，具體為：其中ρ為hinge損失的邊緣參數，PS表示相似的圖對，PD表示不相似的圖對；S4：GCN網絡訓練根據此損失函數：其中PL表示有標簽的圖對，PU表示無標簽的圖對，λR是一個可微調的參數，調整范圍為0～1，pU為某個Batch中的有標簽樣本和無標簽樣本的平衡；步驟4、訓練分類器對于輸入的狀態圖Gi經過圖神經網絡fθ得到的表示后再經過最大池化得到的圖向量表示，就作為一個分類器網絡fψ的輸入，訓練分類器經過如下步驟：S1：采用2層的前饋神經網絡后接一個softmax函數來得到不同類別的分布，有標簽的和沒有標簽的圖，它們對應于生成的高斯狀態圖對，輸入到分類網絡fψ中；S2：由于學習后的表示鼓勵沒有標簽的數據點聚集在有標簽的數據點的周圍，采用熵正則化通過鼓勵分類器邊界經過低密度區域來利用沒有標簽的數據，當前訓練數據由GL和GU兩個集合組成，GL中的每個元素包含一個配對Zi；Yi，這里的Zi表示的是狀態圖Gi通過圖神經網絡得到的向量表示Yi表示對于心跳時間序列si的one-hot編碼的標簽，C是類別數量，GU中的每個元素通過高斯狀態圖構建而成，即集合PU中的樣本；S3：分類器網絡f的loss函數為：其中λC是一個可微調的參數，表示交叉熵損失，是負交叉熵損失，C是類別數量，fθ表示前饋分類網絡輸出，該輸出由softmax分布結束，fψ的輸入是通過網絡fθ學習到的表示，對于無標簽的數據，負交叉熵損失函數鼓勵分類網絡fψ產生更低的熵經驗類別分布，這鼓勵無標簽的數據映射到單一類別的分布上，促使fψ的分類邊界到一個低密度的區域。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人西南石油大學，其通訊地址為：610500 四川省成都市新都區新都大道8號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。