CN111091092A - 一种基于优化卷积神经网络分类的数据增强方法 - Google Patents

Abstract

本发明公开了一种基于优化卷积神经网络分类的数据增强方法，其特征在于，包括如下步骤：1）获取一维信号数据；2）生成二维灰度图像；3）得到二维图像；4）图像重塑；5）训练。这种方法能够增加较少数据类型的数据量进而达到数据平衡的目的，获得的二维灰度图像能够最大程度的保留原始信号的信息，避免因为噪声滤波等操作带来的数据丢失问题，这种方法也能提高数据处理的效率、提高图像分类的准确率。

Description

一种基于优化卷积神经网络分类的数据增强方法

技术领域

本发明涉及图像信息处理技术领域，具体是一种基于优化卷积神经网络分类的数据增强方法。

背景技术

在图像信息处理技术领域，得到更好更准确的图像分类结果是众多研究者所追求的目标，一个更加准确的分类结果能够更好的减轻人工分类的工作量，但是大部分得到的原始信号都是带有干扰噪声的一维信号，在对其进行识别分类之前，均需要进行噪声滤波和特征提取等一系列的相关操作，这不仅需要更加繁琐的处理技术，同时也在一定程度上会对原始信号数据造成丢失或遗漏。

在将一维信号转换成二维灰度图像的技术中，因为二维灰度图像自身的特性，受到信号的噪声干扰影响较小，因此可以不需要对二维灰度图像数据进行噪声滤波和特征提取等一系列数据预处理步骤，这样不仅减少了数据处理的工作量，而且在最大程度上保留了原始数据的信息。

由于深度学习的模型的性能需要大量数据的训练来支撑，但是往往所得到的数据量达不到理想的标准，所以数据量的多少对于一个模型训练的好坏起到了关键的作用，在对二维灰度图像数据的裁剪和重塑后，所得到的数据量大大增加，这能够大大的提高深度学习模型的训练训练后的性能。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于优化卷积神经网络分类的数据增强方法。这种方法能够增加较少数据类型的数据量进而达到数据平衡的目的，获得的二维灰度图像能够最大程度的保留原始信号的信息，避免因为噪声滤波等操作带来的数据丢失问题，这种方法也能提高数据处理的效率、提高图像分类的准确率。

实现本发明目的的技术方案是：

一种基于优化卷积神经网络分类的数据增强方法，其特征在于，包括如下步骤：

1)获取一维信号数据；

2)生成二维灰度图像：将步骤1)获得的一维信号转换生成二维灰度图像；

3)得到二维图像：将步骤2)生成的二维灰度图像采用九种不同的裁剪方式得到九个不同的二维灰度图像；

4)图像重塑：将所有裁剪后的二维灰度图像进行重塑，以统一全部二维图像的图像大小；

5)训练：将经过数据增强后的二维灰度图像输入到二维卷积神经网络中加以训练学习，进行检测识别分类，进而完成卷积神经网络分类的目的。

步骤2)中所述的生成二维灰度图像的过程为：

以心电信号为例，假定一维心电信号包含有P-QRS-T波，QRS波群在P波之后，是一个短时程、较高幅度及波形尖锐的波群，P-QRS-T波是三个紧密相连的电位波动，第一个向下的波成为Q波，第一个向上的波成为R波，紧接R波之后向下的波形为S波，正常QRS波群历时0.06秒-0.10秒，是心室内兴奋传播所需的时间，找到R波的峰值时间并对其进行定位，以R波峰值为定位基点，对每个心电信号搏动进行切片，将R波峰值信号居中，同时将前一个和后一个R波峰值信号中排除第一个和最后92个心电信号，用以转换生成为一个二维心电图像，转换如公式(1)：

T(Rp(n)-92)≤T(Rp(n))≤T(Rp(n)+92) (1)，

式中T(Rp(n))表示所定位的R波峰值时间；T(Rp(n)-92)表示所定位的R波峰值时间之前的92个心电信号；T(Rp(n)+92)表示所定位的R波峰值时间之后的92个心电信号，转换后生成的二维灰度图像为192×128大小的二维灰度图像，能够更好的作为二维卷积神经网络的输入数据。

步骤3)中所述得到九个不同的二维灰度图像的过程为：

对目标二维图像的指定区域进行裁剪，将图像左上角坐标定位为(0,0,0,0)，按照96×96大小的格式进行裁剪，则左上图像的基准坐标为(0,0,96,96)，得到大小为96×96的左上灰度图像，依照这种方式，分别定位基准坐标(0,16,96,96)和(0,32,96,96)可以得到左中灰度图像和左下灰度图像，以此类推，依照这种方式可以得到中上灰度图像、中部灰度图像、中下灰度图像、右上灰度图像、右中灰度图像和右下灰度图像，因为所采用的裁剪方式以96大小为标准，所以得到的全部裁剪图像均是96×96大小的二维灰度图像。

步骤4)中所述的重塑为：

将裁剪后的二维灰度图像内各点的像素值标记为裁剪后96×96的灰度图像内与其最近的点，表示公式如下：

式中fw表示重塑后的宽度比；fh表示重塑后的高度比；w1和h1表示96×96灰度图像的宽度和高度；w2和h2表示重塑后的二维灰度图像的宽度和高度，通过图像的重塑，得到大小为192×128尺寸的二维灰度图像，这样使得裁剪后的增加的图像与原始图像的大小尺寸一致。

本技术方案基于优化卷积神经网络分类的数据增强方法使得深度学习框架下的二维卷积神经网络模型在进行检测识别分类时，能够很好的优化输入数据量的不平衡和过少无法更好的验证模型性能的问题，此外，将一维信号转换成二维灰度图像作为输入数据也可以省去对一维信号的噪声滤波、信号分割和特征提取等数据预处理步骤，大大减少了对数据处理的工作量。

这种方法能够增加较少数据类型的数据量进而达到数据平衡的目的，获得的二维灰度图像能够最大程度的保留原始信号的信息，避免因为噪声滤波等操作带来的数据丢失问题，这种方法也能提高数据处理的效率、提高图像分类的准确率。

附图说明

图1为实施例的方法流程示意图；

图2为实施例中心电图图像裁剪重塑示意图。

具体实施方式

下面结合附图和实施例对本发明的内容作进一步的阐述，但不是对本发明的限定。

实施例：

参照图1、图2，一种基于优化卷积神经网络分类的数据增强方法，其特征在于，包括如下步骤：

1)获取一维信号数据；

2)生成二维灰度图像：将步骤1)获得的一维信号转换生成二维灰度图像；

3)得到二维图像：将步骤2)生成的二维灰度图像采用九种不同的裁剪方式得到九个不同的二维灰度图像；

4)图像重塑：将所有裁剪后的二维灰度图像进行重塑，以统一全部二维图像的图像大小；

5)训练：将经过数据增强后的二维灰度图像输入到二维卷积神经网络中加以训练学习，进行检测识别分类，进而完成卷积神经网络分类的目的。

步骤2)中所述的生成二维灰度图像的过程为：

以心电信号为例，假定一维心电信号包含有P-QRS-T波，QRS波群在P波之后，是一个短时程、较高幅度及波形尖锐的波群，P-QRS-T波是三个紧密相连的电位波动，第一个向下的波成为Q波，第一个向上的波成为R波，紧接R波之后向下的波形为S波，正常QRS波群历时0.06秒-0.10秒，是心室内兴奋传播所需的时间，找到R波的峰值时间并对其进行定位，以R波峰值为定位基点，对每个心电信号搏动进行切片，将R波峰值信号居中，同时将前一个和后一个R波峰值信号中排除第一个和最后92个心电信号，用以转换生成为一个二维心电图像，转换如公式(1)：

T(Rp(n)-92)≤T(Rp(n))≤T(Rp(n)+92)

式中T(Rp(n))表示所定位的R波峰值时间；T(Rp(n)-92)表示所定位的R波峰值时间之前的92个心电信号；T(Rp(n)+92)表示所定位的R波峰值时间之后的92个心电信号，转换后生成的二维灰度图像为192×128大小的二维灰度图像，能够更好的作为二维卷积神经网络的输入数据。

步骤3)中所述得到九个不同的二维灰度图像的过程为：

对目标二维图像的指定区域进行裁剪，将图像左上角坐标定位为(0,0,0,0)，按照96×96大小的格式进行裁剪，则左上图像的基准坐标为(0,0,96,96)，得到大小为96×96的左上灰度图像，依照这种方式，分别定位基准坐标(0,16,96,96)和(0,32,96,96)可以得到左中灰度图像和左下灰度图像，以此类推，依照这种方式可以得到中上灰度图像、中部灰度图像、中下灰度图像、右上灰度图像、右中灰度图像和右下灰度图像，因为所采用的裁剪方式以96大小为标准，所以得到的全部裁剪图像均是96×96大小的二维灰度图像。

步骤4)中所述的重塑为：

将裁剪后的二维灰度图像内各点的像素值标记为裁剪后96×96的灰度图像内与其最近的点，表示公式如下：

式中fw表示重塑后的宽度比；fh表示重塑后的高度比；w1和h1表示96×96灰度图像的宽度和高度；w2和h2表示重塑后的二维灰度图像的宽度和高度，通过图像的重塑，得到大小为192×128尺寸的二维灰度图像，这样使得裁剪后的增加的图像与原始图像的大小尺寸一致。

Claims (4)

1.一种基于优化卷积神经网络分类的数据增强方法，其特征在于，包括如下步骤：

1)获取一维信号数据；

2)生成二维灰度图像：将步骤1)获得的一维信号转换生成二维灰度图像；

3)得到二维图像：将步骤2)生成的二维灰度图像采用九种不同的裁剪方式得到九个不同的二维灰度图像；

4)图像重塑：将所有裁剪后的二维灰度图像进行重塑，以统一全部二维图像的图像大小，进而实现二维灰度图像的数据增强；

5)训练：将经过数据增强后的二维灰度图像输入到二维卷积神经网络中加以训练学习，进行检测识别分类。

2.根据权利要求1所述的基于优化卷积神经网络分类的数据增强方法，其特征在于，步骤2)中所述的生成二维灰度图像的过程为：

以心电信号为例，假定一维心电信号包含有P-QRS-T波，QRS波群在P波之后，是一个短时程、较高幅度及波形尖锐的波群，P-QRS-T波是三个紧密相连的电位波动，第一个向下的波成为Q波，第一个向上的波成为R波，紧接R波之后向下的波形为S波，正常QRS波群历时0.06秒-0.10秒，是心室内兴奋传播所需的时间，找到R波的峰值时间并对其进行定位，以R波峰值为定位基点，对每个心电信号搏动进行切片，将R波峰值信号居中，同时将前一个和后一个R波峰值信号中排除第一个和最后92个心电信号，用以转换生成为一个二维心电图像，转换如公式(1)：

T(Rp(n)-92)≤T(Rp(n))≤T(Rp(n)+92)(1)，

式中T(Rp(n))表示所定位的R波峰值时间；T(Rp(n)-92)表示所定位的R波峰值时间之前的92个心电信号；T(Rp(n)+92)表示所定位的R波峰值时间之后的92个心电信号，转换后生成的二维灰度图像为192×128大小的二维灰度图像，作为二维卷积神经网络的输入数据。

3.根据权利要求1所述的基于优化卷积神经网络分类的数据增强方法，其特征在于，步骤3)中所述得到九个不同的二维灰度图像的过程为：

对目标二维图像的指定区域进行裁剪，将图像左上角坐标定位为(0,0,0,0)，按照96×96大小的格式进行裁剪，则左上图像的基准坐标为(0,0,96,96)，得到大小为96×96的左上灰度图像，依照这种方式，分别定位基准坐标(0,16,96,96)和(0,32,96,96)可以得到左中灰度图像和左下灰度图像，以此类推，依照这种方式可以得到中上灰度图像、中部灰度图像、中下灰度图像、右上灰度图像、右中灰度图像和右下灰度图像，所采用的裁剪方式以96大小为标准，所以得到的全部裁剪图像均是96×96大小的二维灰度图像。

4.根据权利要求1所述的基于优化卷积神经网络分类的数据增强方法，其特征在于，步骤4)中所述的重塑为：

将裁剪后的二维灰度图像内各点的像素值标记为裁剪后96×96的灰度图像内与其最近的点，表示公式如下：

式中fw表示重塑后的宽度比；fh表示重塑后的高度比；w1和h1表示96×96灰度图像的宽度和高度；w2和h2表示重塑后的二维灰度图像的宽度和高度，通过图像的重塑，得到大小为192×128尺寸的二维灰度图像，这样使得裁剪后的增加的图像与原始图像的大小尺寸一致。

Images