1.一种慢病体征突变识别方法,其特征在于,包括以下步骤:
S1:获取慢病体征时序数据,将慢病体征时序数据划分为观察区段,统计观察区段内符号变更累计次数并除以观察区段长度,计算局部趋势反转率;
S2:基于所述局部趋势反转率,计算相邻观察区段间反转率增幅差异值,将超过预设非平稳跃迁阈值的反转率增幅差异值位置标记为趋势连续性断裂点,生成稳定域边界;
所述局部趋势反转率的获取步骤具体为:
S111:获取慢病体征时序数据,根据预设的切分窗口长度参数,利用切分窗口长度参数在慢病体征时序数据的时间轴上执行等间距截取,分离多个携带局部演化特征的时序片段,建立观察区段样本集;
S112:针对所述观察区段样本集内的每一个时序片段,依据时间戳顺序逐位执行相邻体征值的差分计算,检测差分值的正负符号状态,筛选符号状态发生极性翻转的时刻点,统计翻转时刻点的发生总数,生成符号变更累计频度;
S113:统计每个时序片段中包括的有效数据点个数,基于数据点个数构建区域长度归一化因子,调用所述符号变更累计频度与区域长度归一化因子执行数值除法运算,计算标准化后的趋势震荡强度值,生成局部趋势反转率;
所述稳定域边界的获取步骤具体为:
S211:获取按时间顺序排列的所述局部趋势反转率,提取观察区段在时序轴上的中心时刻坐标,计算相邻两个中心时刻坐标之间的差值并除以单位时间常数,生成时间跨度间隔的归一化数值,遍历当前观察区段内的体征数值集合,计算数值分布的二阶中心矩及最大值与最小值的差值,针对每个区段分别生成离散方差及幅值极差;
S212:调用当前及前序的所述局部趋势反转率,结合对应的所述时间跨度间隔的归一化数值、离散方差与幅值极差,获取预置的全局基准方差值与全局平均极差值,构建趋势变化加权模型,运算获取反转率增幅差异值;
S213:获取预设的非平稳跃迁阈值,将所述反转率增幅差异值与非平稳跃迁阈值执行数值比对,筛选幅度超过阈值的时刻索引,并将时刻索引标记为趋势连续性断裂点,将趋势连续性断裂点映射至原始数据的时序坐标系中,作为分割线对连续监测时段进行状态切分,建立多个演化阶段的稳定域边界;
S3:依据所述稳定域边界对慢病体征时序数据分段,提取最大斜率变化段,计算最大斜率变化段的上行段趋势幅度与下行段趋势幅度,构建趋势幅度不对称特征;
S4:基于所述趋势幅度不对称特征计算趋势幅度比值,将趋势幅度比值输入核密度估计模型计算分布密度,将分布密度超过预设非平稳漂移阈值的时刻标记为突变候选点;
S5:计算所述突变候选点所在区间的连续波动幅度变化绝对值与区间波动中值差值比,生成风险波动偏移率,计算风险波动偏移率的滑动增长速率,基于滑动增长速率界定突变触发域。
2.根据权利要求1所述的慢病体征突变识别方法,其特征在于,所述局部趋势反转率包括符号变更累计频度、区域长度归一化因子和趋势反转量化系数,所述稳定域边界包括趋势结构断裂时间戳、局部反转率梯度突变值和稳定状态转换节点,所述趋势幅度不对称特征包括上行演化趋势幅度分量、下行演化趋势幅度分量和波动方向非对称标识,所述突变候选点包括多维指标协同漂移时刻、趋势幅度比值异常密度和联合筛查标记索引,所述突变触发域包括风险波动偏移率阈值界限、偏移行为动态告警区间和局部突变响应判定空间。
3.根据权利要求1所述的慢病体征突变识别方法,其特征在于,所述趋势幅度不对称特征的获取步骤具体为:S311:调用所述稳定域边界作为分割锚点,在慢病体征时序数据的时间轴上执行切片,得到多个离散的体征演化片段,采用最小二乘法对每个体征演化片段内的局部窗口进行线性拟合,获取斜率参数序列,筛选斜率参数序列中绝对值最大的峰值位置,锁定峰值对应的时间窗口并提取原始采样数据,生成最大斜率变化段;
S312:遍历所述最大斜率变化段包括的数据点,通过比较相邻点的大小关系识别出单调递增序列段与单调递减序列段,分别计算波峰波谷高度差并累加,得出上行演化总幅度,同时计算单调递减序列段的跌落高度差并累加,得出下行演化总幅度,将两者组合,生成双向趋势幅度分量;
S313:基于所述双向趋势幅度分量,计算上行演化总幅度与下行演化总幅度的数值比例,依据比例量化趋势偏离程度,结合最大斜率变化段的持续时长计算单位时间内的幅度变化率,将趋势偏离程度、幅度变化率与双向趋势幅度分量映射至预定义的特征向量空间,建立非对称波动行为的结构化数据,构建趋势幅度不对称特征。
4.根据权利要求3所述的慢病体征突变识别方法,其特征在于,所述突变候选点的获取步骤具体为:
S411:针对所述趋势幅度不对称特征,分别提取其中包括的上行演化总幅度、下行演化总幅度以及幅度变化率分量,依据预置的特征交互逻辑,执行数值除法运算,计算上行演化总幅度与下行演化总幅度的相对偏离系数,同时计算幅度变化率相对于双向趋势幅度分量模长的归一化占比,将每个维度的运算结果组合为反映特征间非线性耦合状态的时间序列数据,生成趋势幅度比值;
S412:调用预置的核密度估计模型,将所述趋势幅度比值作为观测样本输入至概率统计空间,利用自适应带宽选择算法确定核函数的平滑参数,采用高斯核函数对每一个样本点执行卷积平滑运算,在时间轴上叠加全部样本点的局部概率贡献,量化比值序列在多个时刻的聚集程度,构建描述数据分布规律的连续概率密度函数曲线,生成分布密度;
S413:获取预设的非平稳漂移阈值,按时间步长逐点遍历所述分布密度曲线,执行数值比较操作,检测密度值跃升的区域,筛选密度值超过非平稳漂移阈值的时刻节点,锁定节点在原始时序数据中的位置索引,标记突变候选点。
5.根据权利要求4所述的慢病体征突变识别方法,其特征在于,所述突变触发域的获取步骤具体为:
S511:针对所述突变候选点,在慢病体征时序数据中截取包括所述突变候选点的局部关联区间,遍历区间内的体征波形数据,计算相邻波峰与波谷之间的垂直高度差作为连续波动幅度,计算相邻波动幅度差值的绝对值,统计区间内波动幅度的中位数值,执行数值除法运算将波动幅度差值绝对值除以中位数值,生成风险波动偏移率;
S512:根据预设固定步长的滑动时间窗口,沿时间轴遍历所述风险波动偏移率序列,分别计算当前窗口与前序窗口内的数值算术平均值,获取窗口滑动的时间跨度及预置的基准偏移因子,结合偏移率的均值差异与相对强度构建动态变化模型,运算获取滑动增长速率;
S513:获取预设的增长速率告警阈值上限与下限,将所述滑动增长速率与增长速率告警阈值执行数值比对,筛选速率值超出阈值限制的异常时间段,提取时间段对应的起始时刻与终止时刻,结合所述突变候选点的位置信息构建覆盖异常波动范围的闭合时空区间,得到突变触发域。
6.根据权利要求5所述的慢病体征突变识别方法,其特征在于,所述运算获取滑动增长速率的公式具体为:;
其中,代表滑动增长速率,代表当前窗口平均偏移率,代表前序窗口平均偏移率,代表窗口滑动的归一化时间跨度,代表归一化基准偏移因子,代表归一化修正偏置量。
7.一种慢病体征突变识别系统,其特征在于,所述系统用于实现权利要求1-6任一项所述的慢病体征突变识别方法,所述系统包括:趋势反转分析模块,获取慢病体征时序数据,将慢病体征时序数据划分为观察区段,统计观察区段内符号变更累计次数并除以观察区段长度,计算局部趋势反转率;
趋势连续分析模块,基于所述局部趋势反转率,计算相邻观察区段间反转率增幅差异值,将超过预设非平稳跃迁阈值的反转率增幅差异值位置标记为趋势连续性断裂点,生成稳定域边界;
趋势幅度评估模块,依据所述稳定域边界对慢病体征时序数据分段,提取最大斜率变化段,计算最大斜率变化段的上行段趋势幅度与下行段趋势幅度,构建趋势幅度不对称特征;
突变异常识别模块,基于所述趋势幅度不对称特征计算趋势幅度比值,将趋势幅度比值输入核密度估计模型计算分布密度,将分布密度超过预设非平稳漂移阈值的时刻标记为突变候选点;
突变触发界定模块,计算所述突变候选点所在区间的连续波动幅度变化绝对值与区间波动中值差值比,生成风险波动偏移率,计算风险波动偏移率的滑动增长速率,基于滑动增长速率界定突变触发域。