买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西南石油大学申请的专利一种基于半监督图对比学习的心跳异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115099351B 。

龙图腾网通过国家知识产权局官网在2025-05-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210789455.0，技术领域涉及：G06F18/2433；该发明授权一种基于半监督图对比学习的心跳异常检测方法是由胡诗琪;李平;张巍;钟原;黄睿;苟莉;张阿聪;赵晋松;李攀;李国伟设计研发完成，并于2022-07-06向国家知识产权局提交的专利申请。

本一种基于半监督图对比学习的心跳异常检测方法在说明书摘要公布了：本发明公开了一种基于半监督图对比学习的心跳异常检测方法，涉及心跳异常检测领域，包括心跳时间序列数据的状态图构建；构建平衡的图对比学习样本；对已经配对的图进行约束性的图表示对比学习；训练分类器；本发明通过对心跳时间序列样本的状态识别构建状态演变图，基于状态演变图结构相似性为心跳时间序列数据构造图对比样本，然后对演变图进行图对比学习，通过训练对比学习网络和分类网络实现对无标签心跳时间序列数据的异常检测。

本发明授权一种基于半监督图对比学习的心跳异常检测方法在权利要求书中公布了：1.一种基于半监督图对比学习的心跳异常检测方法，其具体包括如下步骤：步骤1、心跳时间序列数据的状态图构建状态图的节点个数由混合高斯模型中的子高斯个数确定的，这里将它作为模型中的超参数nstate，而状态图的初始化属性特征，则由各个高斯的均值与方差按行拼接后得到,经过如下步骤：S1：对于心跳时间序列样本si∈Rn×m，将每个心跳时间序列样本进行切割，即切割为si＝{sia1,sia2,…,siaj}，其中a＝a1＝a2＝aj表示在样本中的分割大小；S2：设置一个超参数nstate，即子高斯的个数是状态图的节点个数，对新划分的进行高斯混合模型的拟合，得到训练好的高斯混合模型；S3：为了度量每个心跳时间序列子序列样本内的变化规律以及计算转移矩阵，将心跳时间序列子序列样本划分为前后两段，即前一段包括{a1,a2,…,aj-1}，后一段包括{a2,a3,…,aj}，通过训练好的高斯混合模型计算心跳时间序列的每个样本的前后两段的后验概率，此后验概率即为中的每个小块的概率分布；S4：根据公式计算转移矩阵该转移矩阵即为构建的状态图，其中v表示图中每个节点的一个状态，t为某时刻，Xt是时间序列分段，θv是状态模式，Pθv|Xt-1是心跳时间序列分段Xt属于哪类状态模式的后验概率，每条边表示心跳数据从v到v′的转移关系，该转移关系即为心跳时间序列数据的状态图，心跳时间序列样本的{si}的状态演变图，标记为{Gi}，对于已有标签的心跳时间序列状态演变图记作{GL}，对于没有标签的心跳时间序列状态演变图记作{GU}；步骤2、构建平衡的图对比学习样本对任意状态图mti将其矩阵展平成向量，计算mti与mti+1的向量乘积后并除以模长，即通过公式计算相似性，这里的i＝1,2,…，表示状态图的个数，同时也是心跳时间序列样本的个数，按心跳时间序列的时间轴进行样本之间的两两相似度计算并标记出相似与不相似，这里定义cos相似度大于0.5则表示此配对图样本相似，即标记为1；cos相似度小于0.5则表示此配对图样本不相似，即标记为-1；步骤3、对已经配对的图进行约束性的图表示对比学习在图上做傅里叶变换后可得到图的近似卷积公式其中D为度矩阵，A是邻接矩阵，Hl是节点表示，Wl是可学习的参数，并且根据此公式可直接用神经网络进行训练，经过如下步骤：S1：将所有构造的图Gi都经过图神经网络，在图神经网络的最后一层通过一个最大池化层的操作，即通过选择每个节点表示的最大值将图的节点表示转换为图的向量表示，对图的表示再加上线性层，将图神经网络输出的图表示的输出转换为其中C表示类别数量；S2：对于每个图的Gi的图表示通过softmax函数获得经验分布fθGi，这里定义经验分布为：其中N为心跳时间序列样本内划分的子序列个数；S3：对配对的P＝G1,G2的平均经验分布计算KL散度，本申请的损失函数是在KL散度上添加一个hinge损失来构造的，具体为：其中ρ为hinge损失的边缘参数，PS表示相似的图对，PD表示不相似的图对；S4：GCN网络训练根据此损失函数：其中PL表示有标签的图对，PU表示无标签的图对，λR是一个可微调的参数，调整范围为0～1，pU为某个Batch中的有标签样本和无标签样本的平衡；步骤4、训练分类器对于输入的状态图Gi经过图神经网络fθ得到的表示后再经过最大池化得到的图向量表示，就作为一个分类器网络fψ的输入，训练分类器经过如下步骤：S1：采用2层的前馈神经网络后接一个softmax函数来得到不同类别的分布，有标签的和没有标签的图，它们对应于生成的高斯状态图对，输入到分类网络fψ中；S2：由于学习后的表示鼓励没有标签的数据点聚集在有标签的数据点的周围，采用熵正则化通过鼓励分类器边界经过低密度区域来利用没有标签的数据，当前训练数据由GL和GU两个集合组成，GL中的每个元素包含一个配对Zi；Yi，这里的Zi表示的是状态图Gi通过图神经网络得到的向量表示Yi表示对于心跳时间序列si的one-hot编码的标签，C是类别数量，GU中的每个元素通过高斯状态图构建而成，即集合PU中的样本；S3：分类器网络f的loss函数为：其中λC是一个可微调的参数，表示交叉熵损失，是负交叉熵损失，C是类别数量，fθ表示前馈分类网络输出，该输出由softmax分布结束，fψ的输入是通过网络fθ学习到的表示，对于无标签的数据，负交叉熵损失函数鼓励分类网络fψ产生更低的熵经验类别分布，这鼓励无标签的数据映射到单一类别的分布上，促使fψ的分类边界到一个低密度的区域。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西南石油大学，其通讯地址为：610500 四川省成都市新都区新都大道8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。