基于生成式对抗网络的胎心率信号数据增强方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114176549A(43)申请公布日2022.03.15(21)申请号202111590892.1G06N3/08(2006.01)(22)申请日2021.12.23(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区2号大街(72)发明人张烨菲赵治栋邓艳军周志鑫张晓红(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240代理人朱亚冠(51)Int.Cl.A61B5/024(2006.01)A61B5/00(2006.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书3页说明书5页附图2页(54)发明名称基于生成式对抗网络的胎心率信号数据增强方法和装置(57)摘要本发明公开基于生成式对抗网络的胎心率信号数据增强方法和装置。采用微步幅卷积和步长卷积设计生成器和鉴别器，构建基于深度卷积神经网络结构的GAN模型；采用基于带有梯度惩罚的Wasserstein距离来度量实采FHR样本和仿真数据之间的距离，优化模型目标函数；建立基于类别约束的辅助分类器，并利用其对GAN模型的模型参数进行反向更新操作；将采集到的不完整FHR信号、满足标准正态分布的噪声数据、以及真实FHR样本的类别标签作为模型的输入，输入到优化后的GAN模型中，生成仿真FHR数据，以实现胎心率信号的数据增强。CN114176549ACN114176549A权利要求书1/3页1.一种基于生成式对抗网络的胎心率信号数据增强方法，其特征在于包括以下步骤：S1：构建基于深度卷积神经网络结构的生成式对抗网络模型；所述基于深度卷积神经网络结构的生成式对抗网络模型包括生成器、鉴别器；1)所述生成器的输入为满足标准正态分布的噪声数据和真实FHR样本的类别标签；输出为与输入噪声数据大小相同的仿真FHR数据；2)所述鉴别器的输入为真实FHR样本和生成器生成的仿真FHR数据，输出为仿真FHR数据所属类别的鉴别结果；3)构建初始目标函数如下式(1)所示：其中E(·)表示期望值，G代表生成器，D代表鉴别器，Pdata和Pz分别代表真实和生成的FHR数据分布，V(G,D)表示一个二分类的交叉熵函数，生成器G的输入项中噪声数据z服从数据分布pz,输出为G(z),鉴别器D的输入项中真实样本x服从分布Pdata,输出为D(x)，式(1)的最终目的是最小化成仿真样本和真实数据之间的相对熵，即KL散度；S2：带有梯度惩罚的Wasserstein距离，优化目标函数；具体是：2‑1采用Wasserstein距离来度量两个分布之间的距离:其中γ代表联合分布，γ～Π(Pdata,Pz)即表示Pdata和Pz组合起来的所有可能的联合分布的集合；2‑2引入Lipschitz连续性条件，设计一个梯度惩罚方法对公式(2)进行优化；S3：建立基于类别约束的辅助分类器；所述的辅助分类器包括输入层、中间层、输出层；所述输入层接收生成器生成的仿真FHR数据；所述中间层采用依次级联的四个第一步幅卷积层、一个第二步幅卷积层、以及全连接层、Dropout层、LeakyReLU激活函数层；所述第一步幅卷积层包括卷积层、批归一化处理层、LeakyReLU激活函数层；所述第二步幅卷积层包括卷积层、Flatten层；S4：利用辅助分类器对目标函数进行优化，实现对生成式对抗网络模型的模型参数进行反向更新操作；S5：利用步骤S4优化后的基于深度卷积神经网络结构的生成式对抗网络模型生成仿真FHR数据，以实现胎心率信号数据增强。2.如权利要求1所述的一种基于生成式对抗网络的胎心率信号数据增强方法，其特征在于所述基于深度卷积神经网络结构的生成式对抗网络模型中生成器采用微步幅卷积函数以实现上采样：首先将噪声数据与标签数据融合并映射为规定大小的向量；随后依次经过6个反卷积操作，每一次反卷积操作都包括反卷积层、批归一化和激活函数处理，得到与输入噪声数据大小相同的仿真FHR数据。3.如权利要求1所述的一种基于生成式对抗网络的胎心率信号数据增强方法，其特征在于所述基于深度卷积神经网络结构的生成式对抗网络模型中鉴别器采用步长卷积实现下采样；输入数据依次通过5个卷积层操作：对前4个卷积的输出进行了批归一化处理，并采用LeakyReLU作为激活函数；随后第5层的输出连接一个Flatten层进行展平操作，把多维输2CN114176549A权利要求书2/3页入一维化；而后经过全连接层及Dropout层进行过拟合处理，并连接一个LeakyReLU激活函数层；最后进入激活函数为Sigmod的全连接层，以判断仿真数据与真实样本的一致性。4.如权利要求1所述的一种基于生成式对抗网络的胎心率信号数据增强方法，其特征在于步骤2‑2具体是：①按下式