基于生成式对抗网络的胎心率信号数据增强方法和装置制造方法及图纸

本发明专利技术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。现胎心率信号的数据增强。现胎心率信号的数据增强。

【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。
[0005]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。

技术实现思路

[0006]本专利技术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。
[0007]为了解决上述问题，本专利技术采用以下技术方案予以实现：
[0008]本专利技术的一种FHR信号数据增强方法，包括以下步骤：
[0009]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；
[0010]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，本专利技术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；
[0011]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。
[0012]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。
[0013]本专利技术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：
[0014]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；
[0015]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；
[0016]辅助分类器模块，用于构建基于类别约束的辅助分类器；
[0017]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。
[0018]本专利技术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。
[0019]本专利技术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。
[0020]本专利技术的有益效果是：
[0021](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，本专利技术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。
[0022](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。本专利技术在原有的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
[0023]图1是实施例的流程图；
[0024]图2是生成器、鉴别器和辅助分类器的结构示意图；
[0025]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；
[0026]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
[0027]下面通过实施例，并结合附图，本文档来自技高网...

【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：