公开(公告)号：CN112509696B

公开(公告)日：2024-10-15

申请号：CN202011226516.X

申请日：2020-11-04

Applicant: 江南大学

Inventor： 朱壮壮 ,  周治平

IPC: G16H50/30 ,  G16H50/20 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084 ,  G06N7/01 ,  A61B5/00

Abstract: 本发明公开了一种基于卷积自编码器高斯混合模型的健康数据检测方法，属于医疗保健技术领域。所述方法采用了自适应、非线性、多层编码的方式将多维数据转为低维特征表示，有效避免了由于“维度灾难”导致的计算开销大而降低检测准确性的问题；该方法性针对人体活动数据的多阶段的特性，加入了卷积与反卷积神经网络层，有效识别并提取数据特征，进一步地提高了检测的精度；本发明将降维过程和密度估计过程有机地结合在一起，避免了两模型独立导致陷入局部最优的窘境；同时考虑到矩阵的奇点问题，协方差矩阵的逆可能会无法求解的问题，利用混合概率、均值和协方差来构造协方差矩阵的cholesky分解，以计算样本密度避免了无法求解的问题。

公开(公告)号：CN112509696A

公开(公告)日：2021-03-16

申请号：CN202011226516.X

申请日：2020-11-04

Applicant: 江南大学

Inventor： 朱壮壮 ,  周治平

IPC: G16H50/30 ,  G16H50/20 ,  G06N3/08 ,  G06N3/04 ,  A61B5/00

Abstract: 本发明公开了一种基于卷积自编码器高斯混合模型的健康数据检测方法，属于医疗保健技术领域。所述方法采用了自适应、非线性、多层编码的方式将多维数据转为低维特征表示，有效避免了由于“维度灾难”导致的计算开销大而降低检测准确性的问题；该方法性针对人体活动数据的多阶段的特性，加入了卷积与反卷积神经网络层，有效识别并提取数据特征，进一步地提高了检测的精度；本发明将降维过程和密度估计过程有机地结合在一起，避免了两模型独立导致陷入局部最优的窘境；同时考虑到矩阵的奇点问题，协方差矩阵的逆可能会无法求解的问题，利用混合概率、均值和协方差来构造协方差矩阵的cholesky分解，以计算样本密度避免了无法求解的问题。