基于无监督贝叶斯深度学习的感应数据流异常预测的研究

Sensor data streams are crucial for anomaly predictions in real-life monitoring. However, it is a great challenge to achieve better trade-off between efficiency and accuracy in predicting anomalies with sensor streams. It requires new techniques that go beyond detecting anomalies and predicting trends. This project will develop an unsupervised Bayesian deep learning model for anomaly prediction from sensor streams. It extracts data stream features in an unsupervised way. Bayesian inference model and deep learning model communicate and update adaptively to deal with concept drift and uncertainties in data streams. This research bring great theory and application innovation. The proposed anomaly prediction method will be applied to medical monitoring to preventably diagnose diseases. Its application will save resources, money and lives.

通过实时分析感应器收集的数据流来预测可能发生的异常是数据流分析领域的一个重点和难点。大部分研究工作致力于数据流的异常检测而非预测，因为实时异常预测的难度远高于异常检测。本项目拟针对感应数据流的特征(如非平稳的、连续不断的)，(1) 提出基于贝叶斯深度学习的无监督感应数据流的异常预测技术，以贝叶斯推理模型和深度学习模型交互方式处理数据流的概念漂移、噪音等非平稳因素，相互完善模型参数，实现高效准确的异常预测；(2) 提出基于可变窗口和知识库相结合的模型学习和更新机制，有效提升模型学习和更新效率；把深度学习和知识库技术相结合进行数据流异常预测, 是对传统的单独基于机器学习或数据挖掘的数据流分析的一次突破性尝试。本研究具有很高的理论与应用价值，拟提出的数据流异常预测理论可被用于（老年人）慢性疾病的远程监控和预测、重症监控室中人体突发异常信号的预测等，有效降低病人死亡率，提升国民健康水平，节省开销。

通过实时分析感应器收集的医疗数据流来检测和预测可能发生的异常是数据流分析领域的一个重点和难点。医疗感应数据流分析在循证医疗领域占有重要地位，可被用于诊断和预测慢性疾病的发生(如糖尿病、心血管疾病、慢性阻塞性肺病、哮喘、癌症、关节炎等)、和重症监控室（ICU）中对病人的体征监控。本研究针对感应数据流的非平稳性等特征，提出基于机器学习和深度学习的医疗感应数据流的异常检测和预测算法。首先，本研究提出一种基于有限长度后缀数组的时间序列中可变长模式的识别算法。其次，本研究主要基于心电数据流，设计基于心电序列的异常检测。大多数现有模型都专注于特定类型的异常，例如心律失常，并且它们不能动态扩展以识别未知类型的异常。本研究提出了一种名为Shaplet-base（SH-BASE）的可扩展方法来解决此问题。更进一步，针对已有样本类别不平衡问题，本研究提出了一个基于生成对抗网络(GAN)的框架(名为BeatClass)来分类基于不平衡心电数据流的心律失常。BeatClass包含三个主要部件：两个堆叠的双向长-短期记忆网络Rist和Morst和一个生成对抗网络MorphGAN。通过与14个最新研究的实验对比，BeatClass的平均精确度为98.7%，比14个研究中最差和最好的方法分别高27.4%和0.03%。N、S、V心跳分类的F1-score分别为99.5%、94.7%和97%，分别比14个研究中最好的方法高出0.6%、10.7%和1.8%。最后，本研究基于Skyline思想和动态规划思想，提出一种高效的、智能的自动构建面向服务的远程医疗诊断系统的算法，促进动态建立远程智慧医疗系统技术的发展。本研究具有重要科学意义：基于机器学习和深度学习算法，提出新的心电数据流的特征和分类方法；将最新的深度学习技术和数据流异常检测技术相结合，有效提升医疗数据流的异常检测和分类的准确率。本研究提出的算法可被用于慢性疾病的远程监控和预测、ICU 中人体突发异常信号的预测等，将有效降低病人死亡率，提升国民健康水平，节省医疗开销，大力促进国家医疗保健体系的发展和完善。