学位论文简介
时序数据的异常检测是数据分析领域中的一项关键技术，近年来，被广泛应用于医疗诊断、工业故障检测、网络入侵检测等诸多领域，其中，以心电异常检测为代表的医疗诊断领域尤其受到智慧医疗研究者们的深入关注。本文针对时序异常检测维度高、时序尺度复杂、鲁棒性与泛化能力要求高等难点，提出了多种基于深度学习的方法，并特别针对心电信号，进一步融合了心电领域知识，设计针对心电信号诊断与分类的模型与系统。
心电诊断数据属于一类典型的周期性时序数据，个体间差异较大，知识规则建立困难。为了更好地研究心电诊断时序数据的异常检测这一课题，本文首先针对典型时序异常检测问题，提出了两种基于生成对抗网络的半监督时序数据异常检测方法进行异常分析；然后，特别针对心电异常检测问题，提出两种基于心电领域知识的心电异常检测方法进行心电诊断；最后，对比分析了本文提出的心电异常检测方法在真实环境下的检测效果，为以上方法应用于医学诊断奠定基础。
具体而言，本文主要研究内容和创新工作如下：
（1）针对单维时序数据，提出了一种基于空洞卷积与Transformer的生成对抗网络（generative adversarial networks，GAN）模型。探索了将多空洞率的空洞卷积与Transformer结合作为GAN的生成器的可能性，以获取粗粒度和细粒度的信息，增强模型的鲁棒性；设计了不同尺度的多个生成器，以缓解模式崩塌问题，从而提升模型泛化能力；使用了基于可变权重的机制融合多生成器，使模型能根据数据选择合适的生成器，提升模型精度。
（2）由单维时序数据推广到多维时序数据，提出了一种基于掩码策略与可调节滤波器的GAN模型。通过对真实样本直接进行重构以生成伪样本，提升生成的伪样本的真实性；在每轮迭代中使用不同的掩码策略，以提升模型的鲁棒性；设计可调节滤波器，在训练阶段的每轮迭代中选择合适的滤波器进行预处理，并根据训练损失自适应地选择预处理模型，提高模型对各类异常的泛化能力。
（3）由多维时序数据细化到心电时序数据，针对心电诊断维度高、具有周期性的特点，基于心动周期领域知识，提出了一种基于减性注意力和数据增强的心电信号异常检测模型。使用基于PatchTST的模型进行样本重构，从而增强模型时序数据处理能力，降低时间复杂度；通过对心电信号样本纵向压缩和拉伸进行数据增强，增强模型的稳定性；提出一种基于R波的减性注意力计算方式，使模型更适用于心电信号数据。
（4）针对心电诊断各导联同步的特点，基于心电导联轴领域知识，提出了一种基于双掷开关的二阶段双流网络心电信号异常检测模型。模型改进LCRDA方法，使其适用于12导联数据；提出基于额面六轴系统与横面六轴系统的缺失值和噪声预处理方法，提升模型精度；构建由形态网络和节律网络构成的双流模型，使用不同网络分别对心电信号的形态特征和时序特征进行处理，缓解不同类别特征之间的相互干扰；提出带有两个双掷开关的二阶段训练模型，使模型在学习形态特征和时序特征的同时，学习样本的整体特征，进而提升模型性能；使用集成学习方法，汲取多种先进方法的优势，进一步提升心电异常检测精度。
为验证本文所提出方法的有效性，在多种真实环境采集心电数据，建立心电数据集，开展心电异常检测对比实验。实验表明本文提出方法在真实环境中有效。综上所述，本文所提方法在真实环境中具有良好的应用前景，下一步计划将其应用于实际的医疗诊断。
主要学术成果
Yifan Li, Xiaoyan Peng, Jia Zhang, et al. DCT-GAN: Dilated Convolutional Transformer-Based GAN for Time Series Anomaly Detection. IEEE Transactions on Knowledge and Data Engineering, 2023, 35(4): 3632-3644 (CCF A类期刊)
Yifan Li, Xiaoyan Peng, Ziyan Wu, et al. M3GAN: A Masking Strategy with a Mutable Filter for Multidimensional Anomaly Detection. Knowledge-Based Systems, 271: 110585 (SCI一区期刊)
Haoyuan Li, Yifan Li*, et al. Anomaly Detection Methods Based on GAN: a Survey. Applied Intelligence, 53(7): 8209-8231 (SCI二区期刊)
