【技术实现步骤摘要】
基于生成式对抗网络的胎心率信号数据增强方法和装置
[0001]本专利技术涉及现代医学信号处理
,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。
技术介绍
[0002]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 Heart Rate,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。
[0003]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。
[0004]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 ...
【技术保护点】
【技术特征摘要】
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,P
data
和P
z
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p
z
,输出为G(z),鉴别器D的输入项中真实样本x服从分布P
data
,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:其中γ代表联合分布,γ~Π(P
data
,P
z
)即表示P
data
和P
z
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Le...
【专利技术属性】
技术研发人员:张烨菲,赵治栋,邓艳军,周志鑫,张晓红,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。