[發明專利]一種基于生成式對抗網絡的脈搏信號生成方法及系統

在審

• 申請號: 201910359530.8
• 申請日: 2019-04-30
• 公開（公告）號: CN109998500A
• 公開（公告）日: 2019-07-12
• 發明（設計）人: 艾玲梅;薛亞慶;石康珍
• 申請（專利權）人: 陜西師范大學
• 主分類號: A61B5/02
• 分類號: A61B5/02;A61B5/00
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

一種基于生成式對抗網絡的脈搏信號生成方法及系統，生成方法包括以下步驟：a、設置采樣頻率和采樣時間，選取健康的測試者采集脈搏信號數據，信號平穩后記錄；b、將得到的脈搏信號數據進行歸一化，映射到[?1,1]的范圍內并去除噪聲及異常波形；c、訓練PSDCGAN網絡模型；d、利用訓練好的PSDCGAN網絡模型生成大量的脈搏信號數據，完成數據的擴增。系統包括壓電式傳感器、數據處理模塊以及數據生成模塊。本發明首次采用基于生成式對抗網絡模型用以生成脈搏信號數據，對脈搏信號數據集進行擴增，解決了脈搏信號樣本數量不足的問題，為將深度學習理論引入脈搏信號的處理與分析提供了研究基礎。

技術領域

本發明屬于計算機智能視覺領域，具體涉及一種基于生成式對抗網絡的脈搏信號生成方法及系統，能夠通過生成式對抗網絡構建一種可以生成脈搏信號的生成式對抗模型。

背景技術

傳統方法由于要將特征提取與分類器分為兩個環節而存在缺陷，結合深度學習理論引入脈搏信號的處理與分析是一個新的研究方向。

眾所周知，深度學習的方法需要使用大量的、帶類別標簽的數據進行訓練，但是，目前為止國內外還沒有一個可以用于深度學習訓練的脈搏信號數據庫，如何構建一個擁有大量脈搏信號數據集合以滿足深度學習方法的訓練要求是亟待解決的問題。2014年，Goodfellow提出了一種生成式對抗網絡模型(Generative adversarial networks,GAN)，該網絡采用“博弈理論”的思想。因為受博弈論中二人零和博弈的啟發，在GAN網絡模型中，生成網絡和判別網絡就相當于兩個博弈方。生成網絡需要盡可能的逼近真實數據的潛在分布，是一種對聯合概率進行建模，常見的生成式網絡有：樸素貝葉斯模型、馬爾科夫的隨機場、隱馬爾可夫模型等。判別網絡的目的是正確區分所生成的數據和真實數據，實質就相當于一個二分類器，是對條件概率的建模，比較常見的判別式網絡包括支持向量機、線性判別分析、神將網絡等。

GAN網絡模型的訓練過程其實就是一個極大和極小博弈的過程，生成網絡和判別網絡為了在博弈中勝出，兩者皆需要不斷的提高各自的生成能力和判別能力，最終的優化目標就是使二者達到納什均衡，使得生成網絡可以預測到訓練樣本數據的真實分布情況。

由于對抗式生成網絡模型在圖像數據的生成上的優異表現，考慮基于生成式對抗網絡構建一種可以生成脈搏信號的生成式對抗模型，以解決脈搏信號樣本不足的問題。

發明內容

本發明的目的在于針對上述現有技術中的問題，提供一種基于生成式對抗網絡的脈搏信號生成方法及系統，通過網絡模型有效生成脈搏信號，滿足深度學習方法的訓練要求。

為了實現上述目的，本發明基于生成式對抗網絡的脈搏信號生成方法，包括以下步驟：

a、設置采樣頻率和采樣時間，選取健康的測試者采集脈搏信號數據，信號平穩后記錄；

b、將得到的脈搏信號數據進行歸一化，映射到[-1,1]的范圍內并去除噪聲及異常波形；

c、訓練PSDCGAN網絡模型；

所述的PSDCGAN網絡模型包括生成網絡和判別網絡，生成網絡的輸入是隨機噪聲，判別網絡有兩個輸入，一個是經過生成網絡后產生的信號數據，另一個是經過預處理后的真實脈搏信號數據；通過判別網絡判斷輸入來自真實的脈搏信號還是經過生成網絡生成的虛假信號；訓練的具體過程如下：將所述的生成網絡和判別網絡一起對抗訓練，其中，生成網絡產生假信號欺騙判別網絡，判別網絡判斷該信號是真實的還是虛假的，兩個網絡在訓練的過程中分別提高各自的生成能力和判別能力，直至二者達到納什均衡，使得生成網絡能夠預測到訓練樣本數據的真實分布情況，從而能夠生成逼真的脈搏信號數據；

d、利用訓練好的PSDCGAN網絡模型生成大量的脈搏信號數據，完成數據的擴增。