一种基于优化卷积神经网络分类的数据增强方法技术

本发明专利技术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。

A data enhancement method based on optimal convolution neural network classification

【技术实现步骤摘要】
一种基于优化卷积神经网络分类的数据增强方法
本专利技术涉及图像信息处理
，具体是一种基于优化卷积神经网络分类的数据增强方法。
技术介绍
在图像信息处理
，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，这能够大大的提本文档来自技高网...

【技术保护点】
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：/n1)获取一维信号数据；/n2)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；/n3)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；/n4)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；/n5)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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：陈真诚，郑震宇，梁永波，朱健铭，韩国成，魏子宁，唐群峰，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45