CN114176549A - 基于生成式对抗网络的胎心率信号数据增强方法和装置 - Google Patents

基于生成式对抗网络的胎心率信号数据增强方法和装置 Download PDF

Info

Publication number
CN114176549A
CN114176549A CN202111590892.1A CN202111590892A CN114176549A CN 114176549 A CN114176549 A CN 114176549A CN 202111590892 A CN202111590892 A CN 202111590892A CN 114176549 A CN114176549 A CN 114176549A
Authority
CN
China
Prior art keywords
data
layer
fhr
discriminator
confrontation network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111590892.1A
Other languages
English (en)
Other versions
CN114176549B (zh
Inventor
张烨菲
赵治栋
邓艳军
周志鑫
张晓红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111590892.1A priority Critical patent/CN114176549B/zh
Publication of CN114176549A publication Critical patent/CN114176549A/zh
Application granted granted Critical
Publication of CN114176549B publication Critical patent/CN114176549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02411—Detecting, measuring or recording pulse rate or heart rate of foetuses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/02—Foetus

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Cardiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Pregnancy & Childbirth (AREA)
  • Gynecology & Obstetrics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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。

Description

基于生成式对抗网络的胎心率信号数据增强方法和装置
技术领域
本发明涉及现代医学信号处理技术领域，尤其涉及基于生成式对抗网络的胎心率信号数据增强方法和装置。
背景技术
当孕妇在妊娠后期和分娩中出现问题时，根据现有的孕产妇和胎儿信息对胎儿的健康状况进行准确的诊断和及时的治疗尤为重要。在临床实践中，胎心率(Fetal HeartRate,FHR)监护是一种被广泛应用的产前和产时诊断技术，由受过训练的临床医护人员使用，评估胎儿的健康状况，及早发现有风险的胎儿，从而采取适当和及时的行动，以防止对胎儿和母亲的进一步伤害。然而，临床上任何依赖人为解读的检查都会受医生的临床经验和能力水平的影响，普遍存在准确度与一致性不理想等问题，这样的人为信息解读存在较大的争议性。因此，构建一个自动化的智能医疗辅助诊断工具，辅助临床医生对胎儿可能存在的病理状况做出精准的诊断尤为重要。
智能医疗辅助诊断的实现难点之一在于充分的训练数据，尤其是以深度学习为主要工具的辅助诊断算法，往往需要大量数据来学习模型参数，其有效性在很大程度上取决于标记样本的数量。在医学领域中，健康胎儿的数量远远多于异常的窘迫病例，而能参与样本数据收集实验的患者数目就更少了。数据缺乏和类别不平衡极大地阻碍了深度学习算法的性能。因此，利用数据增强算法生成特定类别的医学数据，获取更多高质量的少数类样本数据有助于缓解上述问题。
数据增强即利用现有的数据生成新的仿真数据，在计算机视觉领域中较为常见，例如各种角度的翻转和旋转处理，被广泛用于医学图像的深度学习任务中，例如肝脏病变分类等。另一方面，在一维时域中，往往采用噪声和时间扭曲的方式来扩充样本数据，但此类算法可能导致生理信号发生不必要的变化，从而影响后续分类的可靠性。因此，需要一种能够准确真实地生成一维数据的数据增强方法。
有鉴于此，亟需提供一种FHR信号的数据增强算法，实现对少数类样本的扩充，进而为基于FHR信号的胎儿状态智能医疗辅助诊断算法的实现提供充分的高质量样本数据。
发明内容
本发明的一个目的是为了解决上述技术问题，提供了一种基于生成式对抗网络(generative adversarial networks,GAN)的胎心率信号数据增强方法，采用深度卷积神经网络模型，融合带有梯度惩罚的Wasserstein距离，辅以基于类别约束的辅助分类器，生成任意长度的仿真FHR信号。
为了解决上述问题，本发明采用以下技术方案予以实现：
本发明的一种FHR信号数据增强方法，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，包括：基于微步幅卷积函数实现上采样，采用步长卷积实现下采样，分别设计生成器和鉴别器，建立基于深度卷积神经网络的生成式对抗网络模型；
S2:带有梯度惩罚的Wasserstein距离，优化目标函数，包括：基于带有梯度惩罚的Wasserstein距离来度量实采数据和仿真数据这两个分布之间的距离，对上一步中所搭建的GAN模型做出优化。相较于传统GAN模型在生成器损失函数的度量中往往采用Jensen-Shannon距离，即JS距离来最小化生成分布与真实分布的拟合程度，但当这两个分布不存在重叠或重叠极小时，就会引起梯度消失问题，本发明所提出的损失函数优化方案解决了GAN模型在训练过程中的不稳定问题；
S3:建立基于类别约束的辅助分类器，保障仿真数据的多样性，解决传统生成式对抗网络模型的模式崩溃问题；包括：采用步幅卷积作为降采样策略，建立基于类别约束的辅助分类器，保障仿真数据的多样性，解决传统GAN模型的模式崩溃问题。
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；包括：生成器将截断到一定范围内的随机正态分布噪声数据和真实FHR的类别标签作为输入，输出仿真FHR数据及辅助分类器对仿真数据的判别结果。鉴别器根据真实FHR样本和生成的仿真FHR数据做出判别结果，辅助分类器根据输入的仿真数据得到类别标签并对的所有参数进行反向更新操作。
本发明的另一个目的是提供一种基于生成式对抗网络的胎心率信号数据增强装置，包括：
主网络构建模块，用于构建基于深度卷积神经网络结构的生成式对抗网络模型；
优化模块，用于优化基于深度卷积神经网络结构的生成式对抗网络模型目标函数；
辅助分类器模块，用于构建基于类别约束的辅助分类器；
模型参数更新模块，用于利用基于类别约束的辅助分类器对模型目标函数进行优化，实现对主网络模型参数的反向更新。
本发明的又一个目的是提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的方法。
本发明的再一个目的是提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述的方法。
本发明的有益效果是：
(1)在GAN模型的对抗训练中，损失函数直接关系到模型训练的收敛情况，本发明提出了带有梯度惩罚的Wasserstein距离来度量两个分布的拟合程度，优化损失函数的计算。在传统Wasserstein距离的基础上通过增加一个使梯度与一阶Lipschitz常数之间关联起来的惩罚项，使得鉴别器不会将大部分数据的鉴别结果集中在阈值边界上，防止鉴别器的过拟合现象，从而避免梯度爆炸和消失问题，提高训练的稳定性。
(2)添加一个辅助分类器，实现基于类别约束的小样本生成，解决了模式崩溃问题。模式崩溃即当前大多数的小样本扩充模型只倾向于生成某种或某几种类型的数据，仿真生成的样本缺乏多样性。但临床上健康胎儿与异常窘迫病例的FHR信号在波形表现形式上大不相同，当出现这种一对多的映射关系时，现有的GANs模型无法满足快速生成两种类型的仿真数据的需求，必须重新训练并调整模型结构，带来了巨大的模型训练开销。本发明在原有的GANs模型加入类别约束条件，通过增加一个辅助的分类器，在一个模型中实现多类别样本的转换生成。
附图说明
图1是实施例的流程图；
图2是生成器、鉴别器和辅助分类器的结构示意图；
图3是来自开源数据库的一例正常FHR样本及其小样本扩充示意图；其中(a)来自CTU-UHB数据库的正常胎心率样本，(a)仿真生成的正常胎心率数据；
图4是来自开源数据库的一例病理性FHR样本及其小样本扩充示意图；其中(a)来自CTU-UHB数据库的病理性胎心率样本，(a)仿真生成的病理性胎心率数据。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
本实施例的一种FHR信号数据增强方法，如图1、图2所示，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；如图2
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，其中正常FHR样本的类别标签标记为0，病理FHR样本的类别标签标记为1；输出为与输入噪声数据大小相同的仿真FHR数据；
对于生成器，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；
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；
对于鉴别器，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，并采用了LeakyReLU作为激活函数，以增加网络的非线性；随后第5层的输出连接一个Flatten层进行展平操作，把多维输入一维化；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；
3)构建初始目标函数如下式(1)所示：
Figure BDA0003429871330000041
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，优化公式(1)；具体是：
2-1采用Wasserstein距离来度量两个分布之间的距离:
Figure BDA0003429871330000042
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)进行优化计算：
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
Figure BDA0003429871330000051
Figure BDA0003429871330000052
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
Figure BDA0003429871330000053
设置鉴别器的一阶Lipschitz常数为K，建立
Figure BDA0003429871330000054
与K之间的二范数，实现梯度惩罚项求解：
Figure BDA0003429871330000055
其中λ是调节梯度惩罚项大小的参数；
Figure BDA0003429871330000056
表示
Figure BDA0003429871330000057
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：
Figure BDA0003429871330000058
其中K经验取值为1；
S3:建立基于类别约束的辅助分类器，保障仿真数据的多样性，解决传统生成式对抗网络模型的模式崩溃问题；具体是：
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；
输出层的分类器采用Softmax分类器，用以预测仿真生成的FHR数据所属的类别标签；
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；如图2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；
Figure BDA0003429871330000059
Figure BDA00034298713300000510
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；
Figure BDA0003429871330000061
Figure BDA0003429871330000062
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。
训练参数设置：在训练过程使用Adam优化器，Adam优化器涉及三个超参数，分别设置为β1＝0.9,β2＝0.999,ε＝10-8；设置每个生成器迭代的临界迭代数为5。另外，通过训练过程中损失函数所反映的损失率曲线表现，设置最佳批处理大小batch size、初始学习率initial learn rate、训练迭代周期epochs分别为1000，10-3，40。训练并保存模型，用于FHR的仿真数据生成。
下面结合捷克技术大学联合布尔诺大学医院(Czech Technical University-University Hospital in Brno,CTU-UHB)提供的开源数据库，利用本发明优化后基于深度卷积神经网络结构的生成式对抗网络模型进行胎心率信号的数据增强实验。从CTU-UHB中随机挑选1组正常FHR样本和病理性FHR样本进行小样本扩充，得到图3-4所示结果。
上述实施例并非是对于本发明的限制，本发明并非仅限于上述实施例，只要符合本发明要求，均属于本发明的保护范围。

Claims (9)

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：
Figure FDA0003429871320000011
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:
Figure FDA0003429871320000012
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(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
Figure FDA0003429871320000021
Figure FDA0003429871320000022
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
Figure FDA0003429871320000023
设置鉴别器的一阶Lipschitz常数为K，建立
Figure FDA0003429871320000024
与K之间的二范数，实现梯度惩罚项求解：
Figure FDA0003429871320000031
其中λ是调节梯度惩罚项大小的参数；
Figure FDA0003429871320000032
表示
Figure FDA0003429871320000033
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：
Figure FDA0003429871320000034
其中K取值为1。
5.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类别约束的辅助分类器中输出层的分类器采用Softmax分类器，用以预测仿真生成的FHR数据所属的类别标签。
6.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S4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；
Figure FDA0003429871320000035
Figure FDA0003429871320000036
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；
Figure FDA0003429871320000037
Figure FDA0003429871320000038
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。
7.一种基于生成式对抗网络的胎心率信号数据增强装置，其特征在于包括：
主网络构建模块，用于构建基于深度卷积神经网络结构的生成式对抗网络模型；
优化模块，用于优化基于深度卷积神经网络结构的生成式对抗网络模型目标函数；
辅助分类器模块，用于构建基于类别约束的辅助分类器；
模型参数更新模块，用于利用基于类别约束的辅助分类器对模型目标函数进行优化，实现对主网络模型参数的反向更新。
8.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-6中任一项所述的方法。
9.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-6中任一项所述的方法。
CN202111590892.1A 2021-12-23 2021-12-23 基于生成式对抗网络的胎心率信号数据增强方法和装置 Active CN114176549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111590892.1A CN114176549B (zh) 2021-12-23 2021-12-23 基于生成式对抗网络的胎心率信号数据增强方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111590892.1A CN114176549B (zh) 2021-12-23 2021-12-23 基于生成式对抗网络的胎心率信号数据增强方法和装置

Publications (2)

Publication Number Publication Date
CN114176549A true CN114176549A (zh) 2022-03-15
CN114176549B CN114176549B (zh) 2024-04-16

Family

ID=80605971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111590892.1A Active CN114176549B (zh) 2021-12-23 2021-12-23 基于生成式对抗网络的胎心率信号数据增强方法和装置

Country Status (1)

Country Link
CN (1) CN114176549B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114530250A (zh) * 2022-04-24 2022-05-24 广东工业大学 基于数据增强的可穿戴血糖检测方法、系统及存储介质
CN116680637A (zh) * 2023-08-02 2023-09-01 北京世纪慈海科技有限公司 社区居家老年人传感数据分析模型的构建方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918999A (zh) * 2019-01-22 2019-06-21 西安交通大学 一种小样本数据下基于生成模型的机械设备故障智能诊断方法
CN111476294A (zh) * 2020-04-07 2020-07-31 南昌航空大学 一种基于生成对抗网络的零样本图像识别方法及系统
CN111539467A (zh) * 2020-04-17 2020-08-14 北京工业大学 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法
CN112784930A (zh) * 2021-03-17 2021-05-11 西安电子科技大学 基于cacgan的hrrp识别数据库样本扩充方法
CN113139916A (zh) * 2021-04-15 2021-07-20 哈尔滨工程大学 基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法
CN113269314A (zh) * 2021-06-16 2021-08-17 福州大学 基于生成对抗网络的新能源发电场景数据迁移方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918999A (zh) * 2019-01-22 2019-06-21 西安交通大学 一种小样本数据下基于生成模型的机械设备故障智能诊断方法
CN111476294A (zh) * 2020-04-07 2020-07-31 南昌航空大学 一种基于生成对抗网络的零样本图像识别方法及系统
CN111539467A (zh) * 2020-04-17 2020-08-14 北京工业大学 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法
CN112784930A (zh) * 2021-03-17 2021-05-11 西安电子科技大学 基于cacgan的hrrp识别数据库样本扩充方法
CN113139916A (zh) * 2021-04-15 2021-07-20 哈尔滨工程大学 基于生成式对抗网络的水下声呐仿真图像生成和数据扩充方法
CN113269314A (zh) * 2021-06-16 2021-08-17 福州大学 基于生成对抗网络的新能源发电场景数据迁移方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114530250A (zh) * 2022-04-24 2022-05-24 广东工业大学 基于数据增强的可穿戴血糖检测方法、系统及存储介质
CN116680637A (zh) * 2023-08-02 2023-09-01 北京世纪慈海科技有限公司 社区居家老年人传感数据分析模型的构建方法及装置
CN116680637B (zh) * 2023-08-02 2023-11-03 北京世纪慈海科技有限公司 社区居家老年人传感数据分析模型的构建方法及装置

Also Published As

Publication number Publication date
CN114176549B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN107680676B (zh) 一种基于电子病历数据驱动的妊娠期糖尿病预测方法
Lu et al. Prediction of fetal weight at varying gestational age in the absence of ultrasound examination using ensemble learning
Abouelyazid et al. Machine Learning-Assisted Approach for Fetal Health Status Prediction using Cardiotocogram Data
US6556977B1 (en) Methods for selecting, developing and improving diagnostic tests for pregnancy-related conditions
CN114176549B (zh) 基于生成式对抗网络的胎心率信号数据增强方法和装置
Petrozziello et al. Deep learning for continuous electronic fetal monitoring in labor
CN108847285B (zh) 基于机器学习的孕前期及孕中期唐氏综合征筛查方法
EP3964136A1 (en) System and method for guiding a user in ultrasound assessment of a fetal organ
Rachmatullah et al. Convolutional neural network for semantic segmentation of fetal echocardiography based on four-chamber view
WO2022077888A1 (zh) 一种光体积描计信号的散点图分类方法和装置
CN113610118A (zh) 一种基于多任务课程式学习的眼底图像分类方法、装置、设备及介质
Spairani et al. A deep learning mixed-data type approach for the classification of FHR signals
CN112992353A (zh) 预产期精准预测方法、装置、计算机设备及存储介质
Tahir et al. Neural networks algorithm to inquire previous preeclampsia factors in women with chronic hypertension during pregnancy in childbirth process
CN113469218A (zh) 基于深度学习的心电信号危急值处理方法、系统及介质
Liang et al. Fully automatic classification of cardiotocographic signals with 1D-CNN and bi-directional GRU
WO2024011929A1 (zh) 检测胎儿染色体非整倍体异常的方法、装置及存储介质
Kapila et al. Optimizing fetal health prediction: Ensemble modeling with fusion of feature selection and extraction techniques for cardiotocography data
WO2023024524A1 (zh) 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备
CN111148999A (zh) 用于预测新生儿胆红素水平的方法和计算机程序
Marandi et al. A Convolution Neural Network-based Prediction of Fetal Health
CN114287900A (zh) 一种胎心率信号的缺失值填充装置和方法
Gorthi et al. Automated risk assessment tool for pregnancy care
Chidambaram et al. Comparative Analysis of Ensemble Learning Methods for Enhancing Fetal Health Prediction Using Cardiotocography
Arman et al. Intracranial hemorrhage classification from ct scan using deep learning and bayesian optimization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant