[發明專利]基于RBSAGAN的數據增廣方法

在審

• 申請號: 202011509929.9
• 申請日: 2020-12-19
• 公開（公告）號: CN112668424A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 李明愛;彭偉民;劉有軍;孫炎珺;楊金福
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.基于RBSAGAN的數據增廣方法，其特征在于：具體步驟如下：

Step 1腦電信號預處理，使用8-30Hz的四階的巴特沃斯帶通濾波器對各導聯的腦電信號進行帶通濾波，并對數據進行歸一化；

Step 2RBSAGAN網絡

Step 2.1設計Up ResBlock網絡結構用于擴大數據的維度；Up ResBlock結構的主干依次由批量歸一化層BN、1D反卷積層、1D卷積層、BN層和1D卷積層組成，分支處由1D反卷積層和1D卷積層組成；BN層的引入有助于穩定生成器在訓練過程中權重初始化不佳的問題；1D卷積層的卷積核尺寸均為3，步長均為1；其1D反卷積層的作用為上采樣，反卷積核尺寸均為7，步長均為n_us；其特征圖數量均為n_uc；激活函數均采用PReLU以避免稀疏梯度；

Step 2.2設計Down ResBlock網絡結構用于降低數據的維度；Down ResBlock結構的主干由兩個1D卷積層和一個1D平均池化層組成，分支由1D卷積層與1D平均池化層組成；1D卷積層的卷積核尺寸均為3，步長圴為1；其平均池化層對數據進行下采樣處理，池化窗口大小均為2，步長分別均為n_ds；特征圖的數量分別均為n_dc；激活函數均為Leaky ReLU；

Step 2.3基于Self-Attention機制設計1D Self-Attention網絡用于直接計算各離散時刻之間的相似度，對數據所有時刻的特征進行加權，從而更有效的獲取數據的關鍵信息；1D卷積層的卷積核的尺寸均為1，步長均為1，特征圖的數量從左至右分別為n_c/8、n_c/8和n_c，輸出的特征向量f轉置后和g進行矩陣乘法運算，再經過激活函數softmax得到各離散時刻間的相似度，即注意力圖，注意力圖與h進行矩陣乘法得到自注意力特征圖，由縮放因子處理后與輸入該結構的數據相加，最終輸出的維度與輸入相同；

Step 2.4RBSAGAN由兩個試圖超越彼此的對立網絡組成；一個網絡是判別器，通過訓練來區分真實和虛假的輸入數據；另一個網絡是生成器，以一個噪聲向量作為輸入，并試圖生成不會被判別器識別為假的虛假數據；通過極小極大博弈使判別器驅使生成器生成更好的樣本；

Step 2.5為增強RBSAGAN在訓練過程中DS的穩定性，采用與WGAN相同的損失函數，并且US每訓練1次DS會訓練5次；優化器采用Adam，初始學習率設置為0.0001，動量β₁和β₂分別取值為0.1和0.999；

Step 3評估生成數據質量

訓練好的US產生新的數據與現有的數據合并通過1D CNN提取時域、空域特征并實現自動分類；設計的1D CNN由1D卷積層、BN層、最大池化層以及三個全連接層組成；1D卷積的卷積核尺寸為5，步長為2，特征圖的數量為16；最大池化層的尺寸為2，步長為1；三個全連接層的維度分別為600、60和n_m，n_m為腦電信號類別的個數，全連接層之間加入Dropout減輕過擬合現象，激活函數均為ReLU；最后通過softmax輸出各類別的概率。

2.根據權利要求1所述的基于RBSAGAN的數據增廣方法，其特征在于：RBSAGAN的生成器由Up ResBlock與1D Self-Attention構成，記為US；從均勻分布(-1,1)中選取維度為64的隨機噪聲向量作為US的輸入，并與維度為12800的全連接層相連，經過reshape操作將維度轉換為100×128后由兩個Up ResBlock網絡對數據進行上采樣，1D Self-Attention網絡使US能更有效的構建時間樣本之間的聯系，最后通過1D卷積使輸出的數據維度與腦電信號相同；兩個Up ResBlock的步長分別為5和2，其特征圖的數量分別為64和32；1D Self-Attention網絡的特征圖的數量為32；1D卷積層的卷積核尺寸為4，步長為1，激活函數為sigmoid，特征圖的數量與腦電信號的導聯數相同。

3.根據權利要求1所述的基于RBSAGAN的數據增廣方法，其特征在于：RBSAGAN的判別器結構與生成器類似，由Down ResBlock與1D Self-Attention構成，記為DS；將真實數據與生成數據作為輸入，依次經過1D卷積層、兩個Down ResBlock網絡、1D Self-Attention網絡和兩個全連接層，最后根據計算真實數據分布與生成數據之間的距離判斷數據的真偽，并作為US與DS參數優化的依據；第一個1D卷積層的卷積核尺寸為3，步長為1，特征圖的數量為16；兩個Down ResBlock的步長分別為5和2，其特征圖的數量分別為64和128；1D Self-Attention網絡的特征圖的數量為128；兩層全連接層的維度分別為128和1，激活函數為Leaky ReLU。