[發明專利]基于生成式對抗網絡的胎心率信號數據增強方法和裝置

在審

• 申請號: 202111590892.1
• 申請日: 2021-12-23
• 公開（公告）號: CN114176549A
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 張燁菲;趙治棟;鄧艷軍;周志鑫;張曉紅
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: A61B5/024
• 分類號: A61B5/024;A61B5/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱亞冠

1.一種基于生成式對抗網絡的胎心率信號數據增強方法，其特征在于包括以下步驟：

S1：構建基于深度卷積神經網絡結構的生成式對抗網絡模型；

所述基于深度卷積神經網絡結構的生成式對抗網絡模型包括生成器、鑒別器；

1)所述生成器的輸入為滿足標準正態分布的噪聲數據和真實FHR樣本的類別標簽；輸出為與輸入噪聲數據大小相同的仿真FHR數據；

2)所述鑒別器的輸入為真實FHR樣本和生成器生成的仿真FHR數據，輸出為仿真FHR數據所屬類別的鑒別結果；

3)構建初始目標函數如下式(1)所示：

其中E(·)表示期望值，G代表生成器，D代表鑒別器，P_data和P_z分別代表真實和生成的FHR數據分布，V(G,D)表示一個二分類的交叉熵函數，生成器G的輸入項中噪聲數據z服從數據分布p_z,輸出為G(z),鑒別器D的輸入項中真實樣本x服從分布P_data,輸出為D(x)，式(1)的最終目的是最小化成仿真樣本和真實數據之間的相對熵，即KL散度；

S2：帶有梯度懲罰的Wasserstein距離，優化目標函數；具體是：

2-1采用Wasserstein距離來度量兩個分布之間的距離:

其中γ代表聯合分布，γ～Π(P_data,P_z)即表示P_data和P_z組合起來的所有可能的聯合分布的集合；

2-2引入Lipschitz連續性條件，設計一個梯度懲罰方法對公式(2)進行優化；

S3：建立基于類別約束的輔助分類器；

所述的輔助分類器包括輸入層、中間層、輸出層；所述輸入層接收生成器生成的仿真FHR數據；所述中間層采用依次級聯的四個第一步幅卷積層、一個第二步幅卷積層、以及全連接層、Dropout層、LeakyReLU激活函數層；所述第一步幅卷積層包括卷積層、批歸一化處理層、LeakyReLU激活函數層；所述第二步幅卷積層包括卷積層、Flatten層；

S4：利用輔助分類器對目標函數進行優化，實現對生成式對抗網絡模型的模型參數進行反向更新操作；

S5：利用步驟S4優化后的基于深度卷積神經網絡結構的生成式對抗網絡模型生成仿真FHR數據，以實現胎心率信號數據增強。

2.如權利要求1所述的一種基于生成式對抗網絡的胎心率信號數據增強方法，其特征在于所述基于深度卷積神經網絡結構的生成式對抗網絡模型中生成器采用微步幅卷積函數以實現上采樣：首先將噪聲數據與標簽數據融合并映射為規定大小的向量；隨后依次經過6個反卷積操作，每一次反卷積操作都包括反卷積層、批歸一化和激活函數處理，得到與輸入噪聲數據大小相同的仿真FHR數據。

3.如權利要求1所述的一種基于生成式對抗網絡的胎心率信號數據增強方法，其特征在于所述基于深度卷積神經網絡結構的生成式對抗網絡模型中鑒別器采用步長卷積實現下采樣；輸入數據依次通過5個卷積層操作：對前4個卷積的輸出進行了批歸一化處理，并采用LeakyReLU作為激活函數；隨后第5層的輸出連接一個Flatten層進行展平操作，把多維輸入一維化；而后經過全連接層及Dropout層進行過擬合處理，并連接一個LeakyReLU激活函數層；最后進入激活函數為Sigmod的全連接層，以判斷仿真數據與真實樣本的一致性。

4.如權利要求1所述的一種基于生成式對抗網絡的胎心率信號數據增強方法，其特征在于步驟2-2具體是：

①按下式(3)對真假樣本的數據分布P_data和P_z進行隨機插值采樣，產生一個新的樣本

其中ξ為[0,1]之間的隨機數；

②采用隨機插值采樣計算鑒別器的梯度設置鑒別器的一階Lipschitz常數為K，建立與K之間的二范數，實現梯度懲罰項求解：

其中λ是調節梯度懲罰項大小的參數；表示的FHR數據分布；

③利用公式(4)，將公式(1)的目標函數中鑒別器的損失函數表示為：

其中K取值為1。