申请/专利权人：杭州电子科技大学

申请日：2021-12-23

公开（公告）日：2024-04-16

公开（公告）号：CN114176549B

主分类号：A61B5/024

分类号：A61B5/024;A61B5/00;G06F18/2413;G06N3/0464;G06N3/045;G06N3/0475;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.04.01#实质审查的生效;2022.03.15#公开

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。

主权项：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，VG,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Gz,鉴别器D的输入项中真实样本x服从分布Pdata,输出为Dx，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～ΠPdata,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；具体是：①按下式3对真假样本的数据分布Pdata和Pz进行随机插值采样，产生一个新的样本 其中ξ为[0,1]之间的随机数；②采用随机插值采样计算鉴别器的梯度设置鉴别器的一阶Lipschitz常数为K，建立与K之间的二范数，实现梯度惩罚项求解： 其中λ是调节梯度惩罚项大小的参数；表示的FHR数据分布；③利用公式4，将公式1的目标函数中鉴别器的损失函数表示为： 其中K取值为1；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；具体是：优化后的生成式对抗网络模型的目标函数包含仿真数据正确来源的概率的对数似然函数Lz，以及正确类标签概率的对数似然函数Lc，如式6-7所示； 结合式5-7,整个网络训练的目的是优化鉴别器以最大化损失函数值Lz+Lc+Ω,优化生成器G以最大化损失函数值Lc-Lz； 其中LD表示鉴别器的损失函数值，LG表示生成器G的损失函数值；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。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 基于生成式对抗网络的胎心率信号数据增强方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD