CN114209281B - 基于生成对抗网络的脉搏数据生成方法 - Google Patents
基于生成对抗网络的脉搏数据生成方法 Download PDFInfo
- Publication number
- CN114209281B CN114209281B CN202111568920.XA CN202111568920A CN114209281B CN 114209281 B CN114209281 B CN 114209281B CN 202111568920 A CN202111568920 A CN 202111568920A CN 114209281 B CN114209281 B CN 114209281B
- Authority
- CN
- China
- Prior art keywords
- pulse data
- pulse
- countermeasure network
- discriminator
- generator
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 44
- 239000003814 drug Substances 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 3
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 229960001948 caffeine Drugs 0.000 claims description 3
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 235000005911 diet Nutrition 0.000 claims description 2
- 230000037213 diet Effects 0.000 claims description 2
- 229940079593 drug Drugs 0.000 claims description 2
- 230000001788 irregular Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 30
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000006096 absorbing agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 235000021590 normal diet Nutrition 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- 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
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Alternative & Traditional Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种基于生成对抗网络的脉搏数据生成方法,利用脉搏采集仪采集真实脉搏数据；采用基于小波的级联自适应滤波器来检测和消除所述真实脉搏数据中的基线漂移，获得预处理脉搏数据；建立生成对抗网络结构；利用随机噪声训练所述生成对抗网络结构，确定扩充脉搏数据生成模型；通过所述扩充脉搏数据生成模型，生成接近所述真实脉搏数据的扩充脉搏数据。本发明优点在于利用生成对抗网络能够获取并学习输入数据底层数据分布的优势，生成和真实数据较为相似的数据；经实验证明，本发明能够有效的生成脉搏数据，很好的解决了在脉诊方面中脉搏数据缺乏的问题，实现了脉搏数据扩充，为智能脉诊提供更多数量的数据，提升智能脉诊的效率与性能。
Description
技术领域
本发明涉及智能脉诊与中医脉诊数据扩充领域，尤其是涉及基于生成对抗网络的脉搏数据生成方法。
背景技术
中医脉诊历史源远流长，是中医诊疗技术的唯一诊断手段，是中医诊疗技术的核心。这其中诊脉方法大致可分为三类，但由于各流派理论的传承与发展，使诊法具有多样性。同时，《黄帝内经》中对常脉与病脉的描述，大多用取象类比法，虽然有利于理解，但是抽象化的描述也会带来理解上的分歧。再者各篇、各家对脉象描述不一，缺乏统一的标准，导致脉诊的量化较为困难。
另外，在当前的中医教学中，中医学生普遍在教学实践中接触的脉象较少，不能全面掌握中医脉诊的诊断手段。在医院中又普遍存在着诊脉时间短的问题，且在现代医学诊断技术的冲击下，部分中医已倾向于重视辅助检查手段而忽略脉诊的诊断手段。这些原因共同限制了中医诊疗技术的传承和发展，难以在临床上发挥更大的效用。
随着国家对中医药发展的规划，促进中医振兴发展，发挥中医独特的优势和作用，提升中医防病治病能力已成为当前医药领域发展的重要任务。因此，必须推动脉诊的发展，开展以中医辨证论治疗理论为核心、现代中医诊断技术为支持的中医诊疗。这其中，借助现代科学技术的发展，探索现代方法将个人脉搏数据与中医文献中的中医诊疗决策内容相对照，寻找脉搏数据与中医诊疗决策的内在关联，使得脉诊客观化显得尤为重要，是实现智能脉诊的基础。但由于缺乏相应的临床队列、从基线开始初级数据收集的费用高昂以及患者的个人信息必须在严格控制的条件下并按照最佳研究实践加以保护等原因，脉搏数据并没有公开数据集，往往需要人工采集，而人工采集的费用高昂，效率低，在短时间内很难达满足研究的数量，因此利用数据扩充的方法提高脉搏数据的样本量是一个有效的途径。
发明内容
本发明目的在于提供一种基于生成对抗网络的脉搏数据生成方法，用于生成接近真实脉搏数据的虚假脉搏数据，实现脉搏数据扩充，为智能脉诊提供大量的模拟训练数据。
为实现上述目的，本发明采取下述技术方案：
本发明所述一种基于生成对抗网络的脉搏数据生成方法，包括以下步骤：
S1，利用脉搏采集仪采集真实脉搏数据；
S2，采用基于小波的级联自适应滤波器来检测和消除所述真实脉搏数据中的基线漂移，获得预处理脉搏数据；
S3，建立生成对抗网络结构；
S4，利用随机噪声训练所述生成对抗网络结构，确定扩充脉搏数据生成模型；
S5，通过所述扩充脉搏数据生成模型，生成接近所述真实脉搏数据的扩充脉搏数据。
进一步地，S1步中，所述采集过程，通过调整脉搏采集仪的测量压力获取并输出不同测量压力下的所述真实脉搏数据。
优先地，S1步中，所述真实脉搏数据排除在采集开始前1小时内剧烈运动、吸烟、服用药物、血液含酒精或咖啡因、24小时内饮食无规律的受试者的真实脉搏数据。
进一步地，S2步包括以下步骤：
S2.1，基于小波的级联自适应滤波器对所述真实脉搏数据进行分解，得到分解脉搏数据；
S2.2，计算所述分解脉搏数据的能量比，检测基线漂移水平；
S2.3，当所述能量比小于50 dB时，采用离散Meyer小波滤波和三次样条估计对分解脉搏数据进行两级滤波，得到所述预处理脉搏数据，实现真实脉搏数据归一化；
S2.4，当能量比大于50 dB时，采用三次样条估计对分解脉搏数据进行一级滤波，得到预处理脉搏数据，实现真实脉搏数据归一化。
优先地，S2步中，所述基于小波的级联自适应滤波器为带通滤波器。
进一步地，S3步中，所述生成对抗网络由生成器、判别器组成；所述生成器，由若干反卷积层组成，所述判别器由若干卷积层组成。
进一步地，所述反卷积层包括转置卷积运算、批量归一化层以及激活函数层；所述卷积层包括卷积运算、批量归一化层以及激活函数层；
所述生成器中最后一个反卷积层采用双曲正切函数作为激活函数，其他反卷积层采用线性整流函数作为激活函数；
所述判别器中最后一个卷积层不使用激活函数，其他卷积层采用带泄露随机线性整流函数作为激活函数。
进一步地，S4步包括以下步骤：
S4.1，将随机噪声输入所述生成对抗网络的所述生成器，获得所述扩充脉搏数据；
S4.2，将扩充脉搏数据和所述预处理脉搏数据分别输入生成对抗网络的所述判别器；
S4.3，通过所述判别器损失函数更新判别器的参数，并将参数的绝对值截断到小于固定常数C为止；
S4.4，通过所述生成器损失函数更新生成器的参数；
S4.5，重复执行S4.1-S4.4步，直到判别器与生成器的损失函数趋于收敛后或达到预设效果后，训练终止；
S4.6，将训练终止时判别器与生成器的参数作为生成对抗网络的参数，形成所述扩充脉搏数据生成模型。
进一步地，S4.3步中，所述判别器损失函数公式如下：
其中，E代表均值，D(x)代表判别器对真实脉搏数据输出为真的概率，D(G(z))代表判别器对S4.1步中生成器生成的扩充脉搏数据输出为真的概率。
进一步地，S4.4步中，所述生成器损失函数公式如下：
其中，E代表均值，D(G(z))代表判别器对S4.1步中生成器生成的扩充脉搏数据输出为真的概率。
本发明优点在于利用生成对抗网络能够获取并学习输入数据底层数据分布的优势，生成和真实数据较为相似的数据；经实验证明，本发明能够有效的生成脉搏数据，很好的解决了在脉诊方面中脉搏数据缺乏的问题，实现了脉搏数据扩充，为智能脉诊提供更多数量的数据，提升智能脉诊的效率与性能。
附图说明
图1是本发明所述方法的流程图。
图2是本发明所述方法的真实脉搏数据预处理的流程图。
图3是本发明所述方法的预处理脉搏数据信号图。
图4是本发明所述方法的生成对抗网络结构图。
图5是本发明所述方法的反卷积层结构图。
图6是本发明所述方法的卷积层结构图。
图7是本发明所述方法的生成对抗网络的训练流程图。
图8是本发明所述方法的判别器和生成器的损失函数值的趋势图。
图9是本发明所述方法生成的扩充脉搏数据与真实脉搏数据的对比图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明所述基于生成对抗网络的脉搏数据生成方法，包括以下步骤：
S1，利用脉搏采集仪采集真实脉搏数据；
本实施例采用的脉搏采集仪是天中依脉科技开发有限公司的依脉YM3智能中医四诊仪；该仪器用于采集脉象信息，通过先进的无级气动加压配合高精度防过载传感器精确模拟中医切诊指法，采集分析脉象的位、数、形、势特征，最终智能分析出单脉与相兼脉类别和时-频-空域几十种脉象参数并输出标准的脉象图。同时可记录和跟踪不同时期的脉象特征变化，对疾病的疗效评估具有重要的参考价值，为健康状态的辨识、干预效果的评价提供客观化依据。
在采集过程中，通过调整脉搏采集仪的测量压力获取并输出不同测量压力下的真实脉搏数据。
另外，本实施例采集真实脉搏数据的受试者应在饮食正常的24小时后进行，血液中不含酒精或咖啡因、不吸烟者、没有服用任何药物，且在采集前1小时内没有进行剧烈运动；每次采集脉搏的时长为10s，仪器的采样频率为200Hz，仪器气泵压力为80~140mmHg，一条脉搏数据共计2000个数据点。
S2，采用基于小波的级联自适应滤波器来检测和消除所述真实脉搏数据中的基线漂移，获得预处理脉搏数据；如图2所示，具体包括以下步骤：
S2.1，基于小波的级联自适应滤波器，对所述真实脉搏数据进行分解，得到分解脉搏数据；
S2.2，计算分解脉搏数据的能量比，检测基线漂移水平；
S2.3，当所述能量比小于50 dB时，采用离散Meyer（中文翻译为迈耶）小波滤波和三次样条估计对分解脉搏数据进行两级滤波，得到所述预处理脉搏数据；
S2.4，当能量比大于50 dB时，采用三次样条估计对分解脉搏数据进行一级滤波，得到预处理脉搏数据，如图3所示。
脉搏有效频率一般为40Hz以下，采用基于小波的级联自适应滤波器等带通滤波器将脉搏频率控制到40Hz以下，并实现脉搏数据的归一化。
S3，建立生成对抗网络结构；
如图4所示，所述生成对抗网络由生成器、判别器组成；所述生成器，由若干反卷积层组成，所述判别器由若干卷积层组成。
如图5所示，所述反卷积层包括转置卷积运算、批量归一化层以及激活函数层；转置卷积运算：在深度学习中表示为卷积的一个逆向过程，可以根据卷积核大小和输出的大小，恢复卷积前的数据的尺寸，而不是恢复原始值。本发明所用反卷积运算如公式（1）所示：
（1）
式中：代表输出序列的长度，/>代表输入序列长度，stride代表卷积核移动的步长，padding代表末尾补零的个数，kernel代表卷积核的大小。
批量归一化层：深度神经网络之所以难训练，其中一个重要原因就是网络中层与层之间存在高度的关联性与耦合性。随着训练的进行，网络中的参数也随着梯度下降在不停更新，一方面，当底层网络中参数发生微弱变化时，由于每一层中的线性变换与非线性激活映射，这些微弱变化随着网络层数的加深而被放大；另一方面，参数的变化导致每一层的输入分布会发生改变，进而上层的网络需要不停地去适应这些分布变化，使得模型训练变得困难。批量归一化使得网络中每层输入数据的分布相对稳定，加速模型学习速度；使得模型对网络中的参数不那么敏感，简化调参过程，使得网络学习更加稳定。
激活函数层在提高模型鲁棒性，非线性表达能力，缓解梯度消失，将特征图映射到新的特征空间从而更有利于训练，加速模型收敛等问题上都有很好的帮助。在生成器中，其最后一个反卷积层作为输出层，采用Tanh（中文含义为双曲正切函数）作为激活函数，其他反卷积层采用ReLU（中文含义为线性整流函数）作为激活函数；
如图6所示，所述卷积层包括卷积运算、批量归一化层以及激活函数层。
其中卷积运算是指原始序列通过与卷积核的数学运算，可以提取出序列的某些特征。经过多次的卷积运算，最终将该序列的特征凝练出来。卷积运算如公式（2）所示：
(2)
式中：代表输出序列的长度，/>代表输入序列长度，stride代表卷积核移动的步长，padding代表末尾补零的个数，kernel代表卷积核的大小。
在判别器中，其最后一个卷积层没有选取激活函数，其他卷积层均采用LeakyReLU（中文含义为带泄露随机线性整流函数）作为激活函数。
S4，利用随机噪声训练所述生成对抗网络结构，确定扩充脉搏数据生成模型；如图7所示，具体包括以下步骤：
S4.1，将随机噪声输入所述生成对抗网络的生成器，获得所述扩充脉搏数据；
S4.2，将扩充脉搏数据和所述预处理脉搏数据分别输入生成对抗网络的判别器；
S4.3，通过所述判别器损失函数更新判别器的参数，并将参数的绝对值截断到小于固定常数C为止；
所述判别器损失函数公式如下：
其中，E代表均值，D(x)代表判别器对真实脉搏数据输出为真的概率，D(G(z))代表判别器对S4.1步中生成器生成的扩充脉搏数据输出为真的概率。
S4.4，通过所述生成器损失函数更新生成器的参数；
所述生成器损失函数公式如下：
其中，E代表均值，D(G(z))代表判别器对S4.1步中生成器生成的扩充脉搏数据输出为真的概率。
S4.5，重复执行S4.1-S4.4步，直到判别器与生成器的损失函数趋于收敛后或达到预设效果后，训练终止；
S4.6，将训练终止时判别器与生成器的参数作为生成对抗网络的参数，形成所述扩充脉搏数据生成模型。
如图8所示，为采用上述步骤对生成对抗网络训练了3000次后，判别器与生成器的损失函数值的变化情况。训练结束后，生成对抗网络中生成器生成的扩充脉搏数据与真实脉搏数据的对比如图9所示。从图中可以看出，生成对抗网络很好的生成了接近真实脉搏数据的虚假脉搏数据。
S5，通过所述扩充脉搏数据生成模型，生成接近所述真实脉搏数据的扩充脉搏数据。
Claims (8)
1.一种基于生成对抗网络的脉搏数据生成方法，其特征在于：包括以下步骤：
S1，利用脉搏采集仪采集真实脉搏数据；
S2，采用基于小波的级联自适应滤波器来检测和消除所述真实脉搏数据中的基线漂移，获得预处理脉搏数据；
S2.1，基于小波的级联自适应滤波器对所述真实脉搏数据进行分解，得到分解脉搏数据；
S2.2，计算所述分解脉搏数据的能量比，检测基线漂移水平；
S2.3，当所述能量比小于50 dB时，采用离散Meyer小波滤波和三次样条估计对分解脉搏数据进行两级滤波，得到所述预处理脉搏数据，实现真实脉搏数据归一化；
S2.4，当能量比大于50 dB时，采用三次样条估计对分解脉搏数据进行一级滤波，得到预处理脉搏数据，实现真实脉搏数据归一化；
S3，建立生成对抗网络结构；
S4，利用随机噪声训练所述生成对抗网络结构，确定扩充脉搏数据生成模型；
S4.1，将随机噪声输入所述生成对抗网络的生成器，获得所述扩充脉搏数据；
S4.2，将扩充脉搏数据和所述预处理脉搏数据分别输入生成对抗网络的判别器；
S4.3，通过判别器损失函数更新判别器的参数，并将参数的绝对值截断到小于固定常数C为止；
S4.4，通过生成器损失函数更新生成器的参数；
S4.5，重复执行S4.1-S4.4步，直到判别器与生成器的损失函数趋于收敛后或达到预设效果后，训练终止；
S4.6，将训练终止时判别器与生成器的参数作为生成对抗网络的参数，形成所述扩充脉搏数据生成模型；
S5，通过所述扩充脉搏数据生成模型，生成接近所述真实脉搏数据的扩充脉搏数据。
2.根据权利要求1所述的基于生成对抗网络的脉搏数据生成方法，其特征在于：S1步中，采集过程，通过调整脉搏采集仪的测量压力获取并输出不同测量压力下的所述真实脉搏数据。
3.根据权利要求1所述的基于生成对抗网络的脉搏数据生成方法，其特征在于：S1步中，所述真实脉搏数据排除在采集开始前1小时内剧烈运动、吸烟、服用药物、血液含酒精或咖啡因、24小时内饮食无规律的受试者的真实脉搏数据。
4.根据权利要求1所述的基于生成对抗网络的脉搏数据生成方法，其特征在于：S2步中，所述基于小波的级联自适应滤波器为带通滤波器。
5.根据权利要求1所述的基于生成对抗网络的脉搏数据生成方法，其特征在于：S3步中，所述生成对抗网络由生成器、判别器组成；所述生成器，由若干反卷积层组成，所述判别器由若干卷积层组成。
6.根据权利要求5所述的基于生成对抗网络的脉搏数据生成方法，其特征在于：所述反卷积层包括转置卷积运算、批量归一化层以及激活函数层；所述卷积层包括卷积运算、批量归一化层以及激活函数层；
所述生成器中最后一个反卷积层采用双曲正切函数作为激活函数，其他反卷积层采用线性整流函数作为激活函数；
所述判别器中最后一个卷积层不使用激活函数，其他卷积层采用带泄露随机线性整流函数作为激活函数。
7.根据权利要求1所述的基于生成对抗网络的脉搏数据生成方法，其特征在于：S4.3步中，所述判别器损失函数公式如下：
其中，E代表均值，D(x)代表判别器对真实脉搏数据输出为真的概率，D(G(z))代表判别器对S4.1步中生成器生成的扩充脉搏数据输出为真的概率。
8.根据权利要求1所述的基于生成对抗网络的脉搏数据生成方法，其特征在于：S4.4步中，所述生成器损失函数公式如下：
其中，E代表均值，D(G(z))代表判别器对S4.1步中生成器生成的扩充脉搏数据输出为真的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111568920.XA CN114209281B (zh) | 2021-12-21 | 2021-12-21 | 基于生成对抗网络的脉搏数据生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111568920.XA CN114209281B (zh) | 2021-12-21 | 2021-12-21 | 基于生成对抗网络的脉搏数据生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114209281A CN114209281A (zh) | 2022-03-22 |
| CN114209281B true CN114209281B (zh) | 2024-02-27 |
Family
ID=80704683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111568920.XA Active CN114209281B (zh) | 2021-12-21 | 2021-12-21 | 基于生成对抗网络的脉搏数据生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114209281B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1982646A2 (en) * | 2007-04-20 | 2008-10-22 | National Research Institute of Chinese Medicine | Analysis system and a method for pulse diagnostic in chinese medicine |
| CN104146693A (zh) * | 2014-07-30 | 2014-11-19 | 天津大学 | 一种基于小波变换和曲线拟合的脉搏波预处理方法 |
| CN104323773A (zh) * | 2014-10-31 | 2015-02-04 | 东北大学 | 一种基于eog的erg信号采集与处理系统及方法 |
| CN109998500A (zh) * | 2019-04-30 | 2019-07-12 | 陕西师范大学 | 一种基于生成式对抗网络的脉搏信号生成方法及系统 |
| CN112472048A (zh) * | 2021-01-15 | 2021-03-12 | 郑州大学 | 用于心血管疾病患者脉象识别的神经网络结构 |
| CN113616213A (zh) * | 2021-07-29 | 2021-11-09 | 山东大学 | 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2798337A1 (en) * | 2012-12-04 | 2014-06-04 | University Of Winnipeg | Cardiovascular pulse wave analysis method and system |
-
2021
- 2021-12-21 CN CN202111568920.XA patent/CN114209281B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1982646A2 (en) * | 2007-04-20 | 2008-10-22 | National Research Institute of Chinese Medicine | Analysis system and a method for pulse diagnostic in chinese medicine |
| CN104146693A (zh) * | 2014-07-30 | 2014-11-19 | 天津大学 | 一种基于小波变换和曲线拟合的脉搏波预处理方法 |
| CN104323773A (zh) * | 2014-10-31 | 2015-02-04 | 东北大学 | 一种基于eog的erg信号采集与处理系统及方法 |
| CN109998500A (zh) * | 2019-04-30 | 2019-07-12 | 陕西师范大学 | 一种基于生成式对抗网络的脉搏信号生成方法及系统 |
| CN112472048A (zh) * | 2021-01-15 | 2021-03-12 | 郑州大学 | 用于心血管疾病患者脉象识别的神经网络结构 |
| CN113616213A (zh) * | 2021-07-29 | 2021-11-09 | 山东大学 | 一种基于bp神经网络及改进的emd方法的心电信号去噪方法、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 原平 ; .自动机振动信号去基线漂移.装备制造技术.2016,(第11期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114209281A (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chaudhary et al. | FBSED based automatic diagnosis of COVID-19 using X-ray and CT images | |
| Zhang et al. | A sensor-based wrist pulse signal processing and lung cancer recognition | |
| Wang et al. | A robust signal preprocessing framework for wrist pulse analysis | |
| CN103034837B (zh) | 特征参数与脉象要素的关联 | |
| CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
| CN106108889A (zh) | 基于深度学习算法的心电图分类方法 | |
| CN109846472A (zh) | 基于BiLSTM-Attention深度神经网络的心搏分类方法 | |
| CN111202517B (zh) | 一种睡眠自动分期方法、系统、介质及电子设备 | |
| KR20170061317A (ko) | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 | |
| CN111493828A (zh) | 基于全卷积网络的序列到序列的睡眠障碍检测方法 | |
| CN106446777A (zh) | 基于卷积神经网络的无创血糖数据处理方法及系统 | |
| CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
| Mustafa et al. | The analysis of eeg spectrogram image for brainwave balancing application using ann | |
| CN114732424B (zh) | 基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法 | |
| CN110731778A (zh) | 一种基于可视化的呼吸音信号识别方法及系统 | |
| CN111528821A (zh) | 一种脉搏波中重搏波特征点识别方法 | |
| CN114190897B (zh) | 睡眠分期模型的训练方法、睡眠分期方法及装置 | |
| CN115500843A (zh) | 基于零样本学习与对比学习的睡眠阶段分期方法 | |
| CN113796873B (zh) | 穿戴式动态心电信号分类方法及系统 | |
| CN113729648B (zh) | 一种基于多脉搏传感器的穿戴式脉诊手环系统 | |
| CN114209281B (zh) | 基于生成对抗网络的脉搏数据生成方法 | |
| CN113413135A (zh) | 一种基于脉搏采集分析的方法、系统、装置及存储介质 | |
| CN107837083A (zh) | 基于最小二乘支持向量机的j波自动检测方法 | |
| CN116649924A (zh) | 一种脉搏分析方法及装置 | |
| CN116522106A (zh) | 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法 |
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 |