[发明专利]一种基于生成式对抗网络的脉搏信号生成方法及系统

说明书

一种基于生成式对抗网络的脉搏信号生成方法及系统，生成方法包括以下步骤：a、设置采样频率和采样时间，选取健康的测试者采集脉搏信号数据，信号平稳后记录；b、将得到的脉搏信号数据进行归一化，映射到[‑1,1]的范围内并去除噪声及异常波形；c、训练PSDCGAN网络模型；d、利用训练好的PSDCGAN网络模型生成大量的脉搏信号数据，完成数据的扩增。系统包括压电式传感器、数据处理模块以及数据生成模块。本发明首次采用基于生成式对抗网络模型用以生成脉搏信号数据，对脉搏信号数据集进行扩增，解决了脉搏信号样本数量不足的问题，为将深度学习理论引入脉搏信号的处理与分析提供了研究基础。

技术领域

本发明属于计算机智能视觉领域，具体涉及一种基于生成式对抗网络的脉搏信号生成方法及系统，能够通过生成式对抗网络构建一种可以生成脉搏信号的生成式对抗模型。

背景技术

传统方法由于要将特征提取与分类器分为两个环节而存在缺陷，结合深度学习理论引入脉搏信号的处理与分析是一个新的研究方向。

众所周知，深度学习的方法需要使用大量的、带类别标签的数据进行训练，但是，目前为止国内外还没有一个可以用于深度学习训练的脉搏信号数据库，如何构建一个拥有大量脉搏信号数据集合以满足深度学习方法的训练要求是亟待解决的问题。2014年，Goodfellow提出了一种生成式对抗网络模型(Generative adversarial networks,GAN)，该网络采用“博弈理论”的思想。因为受博弈论中二人零和博弈的启发，在GAN网络模型中，生成网络和判别网络就相当于两个博弈方。生成网络需要尽可能的逼近真实数据的潜在分布，是一种对联合概率进行建模，常见的生成式网络有：朴素贝叶斯模型、马尔科夫的随机场、隐马尔可夫模型等。判别网络的目的是正确区分所生成的数据和真实数据，实质就相当于一个二分类器，是对条件概率的建模，比较常见的判别式网络包括支持向量机、线性判别分析、神将网络等。

GAN网络模型的训练过程其实就是一个极大和极小博弈的过程，生成网络和判别网络为了在博弈中胜出，两者皆需要不断的提高各自的生成能力和判别能力，最终的优化目标就是使二者达到纳什均衡，使得生成网络可以预测到训练样本数据的真实分布情况。

由于对抗式生成网络模型在图像数据的生成上的优异表现，考虑基于生成式对抗网络构建一种可以生成脉搏信号的生成式对抗模型，以解决脉搏信号样本不足的问题。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种基于生成式对抗网络的脉搏信号生成方法及系统，通过网络模型有效生成脉搏信号，满足深度学习方法的训练要求。

为了实现上述目的，本发明基于生成式对抗网络的脉搏信号生成方法，包括以下步骤：

a、设置采样频率和采样时间，选取健康的测试者采集脉搏信号数据，信号平稳后记录；

b、将得到的脉搏信号数据进行归一化，映射到[-1,1]的范围内并去除噪声及异常波形；

c、训练PSDCGAN网络模型；

所述的PSDCGAN网络模型包括生成网络和判别网络，生成网络的输入是随机噪声，判别网络有两个输入，一个是经过生成网络后产生的信号数据，另一个是经过预处理后的真实脉搏信号数据；通过判别网络判断输入来自真实的脉搏信号还是经过生成网络生成的虚假信号；训练的具体过程如下：将所述的生成网络和判别网络一起对抗训练，其中，生成网络产生假信号欺骗判别网络，判别网络判断该信号是真实的还是虚假的，两个网络在训练的过程中分别提高各自的生成能力和判别能力，直至二者达到纳什均衡，使得生成网络能够预测到训练样本数据的真实分布情况，从而能够生成逼真的脉搏信号数据；

d、利用训练好的PSDCGAN网络模型生成大量的脉搏信号数据，完成数据的扩增。