[发明专利]一种基于生成对抗网络的心电信号生成方法

权利要求书

1.一种基于生成对抗网络的心电信号生成方法，其特征在于，通过构建生成模型G和判别模型D组成生成对抗网络；生成模型G的输入为噪声信号，输出为模拟心电信号；判别模型D的输入为心电信号，输出为心电信号为真实心电信号的概率；通过生成模型G和判别模型D的对抗训练更新生成模型G，使得生成模型G根据噪声信号模拟真实的心电信号数据并输出。

2.如权利要求1所述的基于生成对抗网络的心电信号生成方法，其特征在于，生成模型G和判别模型D均为神经网络模型。

3.如权利要求1所述的基于生成对抗网络的心电信号生成方法，其特征在于，包括以下步骤：

S1、构建生成模型G，其输入为r维的噪声信号z，输出为长度为d、导联数为c的模拟心电信号；

S2、构建判别模型D，其输入为长度为d、导联数为c的心电信号x，输出为数值P，0≦P≦1，P表示该心电信号是真实信号的概率；

S3、初始化生成模型G的模型参数θ_G和判别模型D的模型参数θ_D，预设精度阈值T；

S4、获取m个r维的噪声信号并输入生成模型G，获得m个长度为d、导联数为c的模拟心电信号样本X_fake；并从真实的心电信号中获得m个长度为d、导联数为c的心电信号真实样本X_real；m为预设常数值；

S5、将获得的模拟心电信号样本X_fake和心电信号真实样本X_real作为训练样本，对判别模型D进行训练更新；

S6、计算更新后的判别模型D对训练数据的预测精度；如果预测精度大于精度阈值T，则固定判别模型D，并执行下一步；如果预测精度小于或者等于精度阈值T，则返回步骤S4；

S7、判别模型D固定后，获取新的噪声信号作为训练样本，并结合固定后的判别模型D对生成模型G进行训练更新并固定。

4.如权利要求3所述的基于生成对抗网络的心电信号生成方法，其特征在于，步骤S5具体为：将获得的模拟心电信号样本X_fake和心电信号真实样本X_real作为判别模型D的训练样本，训练过程中，采用梯度上升法对判别模型D进行参数更新。

5.如权利要求4所述的基于生成对抗网络的心电信号生成方法，其特征在于，梯度上升法采用的梯度计算公式为：

6.如权利要求3所述的基于生成对抗网络的心电信号生成方法，其特征在于，步骤S6中，计算更新后的判别模型D对训练数据的预测精度的方法为：重新获取k个r维的噪声信号并输入生成模型G进行训练，获得k个模拟心电信号作为虚拟验证样本；并从真实的心电信号中获得k个心电信号作为真实验证样本；将虚拟验证样本和真实验证样本均输入更新后的判别模型D，并根据判别模型D对各虚拟验证样本和真实验证样本的识别情况计算预测精度,k为预设常数值。

7.如权利要求6所述的基于生成对抗网络的心电信号生成方法，其特征在于，根据判别模型D对各虚拟验证样本和真实验证样本的识别情况计算预测精度的具体方法为：设置虚拟预测阈值和真实预测阈值，虚拟预测阈值小于0.5并大于0，真实预测阈值大于0.5并小于1；获取通过判别模型D获得的标注值大于真实预测阈值的真实验证样本数量作为第一数值，获取通过判别模型D获得的标注值小于虚拟预测阈值的虚拟验证样本数量作为第二数值；获取第一数值与第二数值之和除以虚拟预测阈值数量和真实预测阈值数量之和的商值作为判别模型D的预测精度。

8.如权利要求3所述的基于生成对抗网络的心电信号生成方法，其特征在于，步骤S7中，采用梯度下降法更新生成模型G的模型参数。

9.如权利要求8所述的基于生成对抗网络的心电信号生成方法，其特征在于，梯度下降法采用的梯度计算公式为：

10.如权利要求3所述的基于生成对抗网络的心电信号生成方法，其特征在于，还包括步骤S8：循环N次执行步骤S4到S7，获得最终的生成模型G和判别模型D并固定，最终的生成模型G用于从输入的任意数量噪声信号中模拟生成相同数量的心电信号数据并输出。