[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

本發明公開基于生成式對抗網絡的胎心率信號數據增強方法和裝置。采用微步幅卷積和步長卷積設計生成器和鑒別器，構建基于深度卷積神經網絡結構的GAN模型；采用基于帶有梯度懲罰的Wasserstein距離來度量實采FHR樣本和仿真數據之間的距離，優化模型目標函數；建立基于類別約束的輔助分類器，并利用其對GAN模型的模型參數進行反向更新操作；將采集到的不完整FHR信號、滿足標準正態分布的噪聲數據、以及真實FHR樣本的類別標簽作為模型的輸入，輸入到優化后的GAN模型中，生成仿真FHR數據，以實現胎心率信號的數據增強。

技術領域

本發明涉及現代醫學信號處理技術領域，尤其涉及基于生成式對抗網絡的胎心率信號數據增強方法和裝置。

背景技術

當孕婦在妊娠后期和分娩中出現問題時，根據現有的孕產婦和胎兒信息對胎兒的健康狀況進行準確的診斷和及時的治療尤為重要。在臨床實踐中，胎心率(Fetal HeartRate,FHR)監護是一種被廣泛應用的產前和產時診斷技術，由受過訓練的臨床醫護人員使用，評估胎兒的健康狀況，及早發現有風險的胎兒，從而采取適當和及時的行動，以防止對胎兒和母親的進一步傷害。然而，臨床上任何依賴人為解讀的檢查都會受醫生的臨床經驗和能力水平的影響，普遍存在準確度與一致性不理想等問題，這樣的人為信息解讀存在較大的爭議性。因此，構建一個自動化的智能醫療輔助診斷工具，輔助臨床醫生對胎兒可能存在的病理狀況做出精準的診斷尤為重要。

智能醫療輔助診斷的實現難點之一在于充分的訓練數據，尤其是以深度學習為主要工具的輔助診斷算法，往往需要大量數據來學習模型參數，其有效性在很大程度上取決于標記樣本的數量。在醫學領域中，健康胎兒的數量遠遠多于異常的窘迫病例，而能參與樣本數據收集實驗的患者數目就更少了。數據缺乏和類別不平衡極大地阻礙了深度學習算法的性能。因此，利用數據增強算法生成特定類別的醫學數據，獲取更多高質量的少數類樣本數據有助于緩解上述問題。

數據增強即利用現有的數據生成新的仿真數據，在計算機視覺領域中較為常見，例如各種角度的翻轉和旋轉處理，被廣泛用于醫學圖像的深度學習任務中，例如肝臟病變分類等。另一方面，在一維時域中，往往采用噪聲和時間扭曲的方式來擴充樣本數據，但此類算法可能導致生理信號發生不必要的變化，從而影響后續分類的可靠性。因此，需要一種能夠準確真實地生成一維數據的數據增強方法。

有鑒于此，亟需提供一種FHR信號的數據增強算法，實現對少數類樣本的擴充，進而為基于FHR信號的胎兒狀態智能醫療輔助診斷算法的實現提供充分的高質量樣本數據。

發明內容

本發明的一個目的是為了解決上述技術問題，提供了一種基于生成式對抗網絡(generative adversarial networks,GAN)的胎心率信號數據增強方法，采用深度卷積神經網絡模型，融合帶有梯度懲罰的Wasserstein距離，輔以基于類別約束的輔助分類器，生成任意長度的仿真FHR信號。

為了解決上述問題，本發明采用以下技術方案予以實現：

本發明的一種FHR信號數據增強方法，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，包括：基于微步幅卷積函數實現上采樣，采用步長卷積實現下采樣，分別設計生成器和鑒別器，建立基于深度卷積神經網絡的生成式對抗網絡模型；

S2:帶有梯度懲罰的Wasserstein距離，優化目標函數，包括：基于帶有梯度懲罰的Wasserstein距離來度量實采數據和仿真數據這兩個分布之間的距離，對上一步中所搭建的GAN模型做出優化。相較于傳統GAN模型在生成器損失函數的度量中往往采用Jensen-Shannon距離，即JS距離來最小化生成分布與真實分布的擬合程度，但當這兩個分布不存在重疊或重疊極小時，就會引起梯度消失問題，本發明所提出的損失函數優化方案解決了GAN模型在訓練過程中的不穩定問題；