[发明专利]一种神经生理信号的生成和识别方法

说明书

一种神经生理信号的生成和识别方法，对原始神经生理信号按照低分辨率到高频率的顺序进行重采样，将不同分辨率的信号按照从低分辨率到高分辨率的顺序依次向生成器和判别器中添加训练层，将生成器生成的特征图的每个空间位置的标准差作为衡量多样性的指标，将判别器生成的特征图的每个空间位置沿该位置通道方向做标准化，将生成器的输出作为判别器的输入进行联合训练，形成完整的生成对抗网络，将生成对抗网络生成的模拟神经生理信号和原始神经生理信号输入长短期记忆网络分类器中进行分类。本发明提高了模型训练的稳定性，增加了模型生成数据的多样性，生成的信号具有较高的IS和FID指标，提高了小数据量下神经生理信号的识别准确度。

技术领域

本发明涉及信号处理和深度学习技术领域，尤其涉及一种基于生成对抗网络的神经生理信号的生成和识别方法。

背景技术

帕金森、疼痛、癫痫等常见的神经系统疾病，根据世界卫生组织(WHO)的数据，全球患有神经系统疾病的人数已经超过3.22亿人次，并呈现逐年增加的趋势。神经系统疾病主要是由神经元集群异常同步化放电活动而造成的脑功能障碍。脑电信号(EEG)、肌电信号(EMG)、局部场电位(LFP)等神经生理信号了包含了大量的生理和病理信息，因此神经生理信号的智能识别是研究各类神经系统疾病的主要手段。

目前，各类神经系统疾病的诊断需要由神经电生理医师对患者长达数天的信号进行人工分析，不仅需要消耗大量的人力物力，同时较长的时间周期也导致了一部分患者无法及时得到治疗。另一方面，因为带标签的训练样本数据量不足，导致现有的许多基于机器学习和深度学习的智能识别模型的训练效果差，测试准确率低。因此，如何通过对患者神经生理信号数据进行扩增，以满足现在深度学习模型的大数据量要求是目前研究的热点问题。

传统的分类方法利用大量带标签信息的训练数据来训练得到一个决策函数，利用该函数来对标签信息未知的测试样本进行分类识别，训练数据量的大小直接决定模型最终的好坏。近些年来，生成对抗网络快速发展，这种网络结构可以模拟原始数据的分布，产生与原始数据足够像的模拟数据，对于实现数据扩增非常有效。目前，生成对抗模型在人脸或者自然图像生成上使用较多，并已经取得了较好的效果，在神经生理信号这样的时间序列生成上应用较少。同时，传统的生成对抗网络模型存在训练过程不稳定，多样性不足等问题。

发明内容

本发明提供一种神经生理信号的生成和识别方法，提高了模型训练的稳定性，增加了模型生成数据的多样性，生成的信号具有较高的IS和FID指标，提高了小数据量下神经生理信号识别准确度。

为了达到上述目的，本发明提供一种神经生理信号的生成和识别方法，包含以下步骤：

步骤S1、对原始神经生理信号按照低分辨率到高频率的顺序进行重采样，得到不同分辨率的信号；

步骤S2、将不同分辨率的信号按照从低分辨率到高分辨率的顺序依次向生成器中添加训练层，将生成器生成的特征图的每个空间位置的标准差作为衡量多样性的指标来对生成器进行训练；

步骤S3、将不同分辨率的信号按照从高分辨率到低分辨率的顺序依次向判别器中添加训练层，在判别器的训练中，将判别器生成的特征图的每个空间位置沿该位置通道方向做标准化；

步骤S4、将生成器的输出作为判别器的输入进行联合训练，向原始神经生理信号中加入噪声，形成完整的生成对抗网络；

步骤S5、将生成对抗网络生成的模拟神经生理信号和原始神经生理信号一起输入长短期记忆网络分类器中进行分类。

所述的生成器采用反卷积神经网络，所述的判别器采用卷积神经网络。

所述的生成器的训练中，将上一分辨率的输出和当前分辨率的输出做加权，得到分辨率的实际输出；

分辨率实际输出＝W×(当前分辨率输出)+(1-W)×上一分辨率输出，其中，W是权重。