[发明专利]样本增强方法及心率估计模型训练方法

说明书

本申请提供一种样本增强方法及装置、心率估计模型训练方法及装置、电子设备和计算机可读存储介质，所述样本增强方法包括：获取待增强样本集；其中，所述待增强样本集包括多个样本，所述多个样本包括PPG数据和\或ACC数据；基于所述待增强样本集中的多个样本和预设的窗函数生成多个增强样本；其中，所述窗函数用于对所述多个样本增加噪声。通过上述方式，在不影响模型预测误差的基础上，改善训练样本不平衡的问题。

技术领域

本申请涉及数据处理领域，具体而言，涉及一种样本增强方法及装置、心率估计模型训练方法及装置、电子设备和计算机可读存储介质。

背景技术

随着深度学习的迅速发展，在进行心率估计时，将PPG(Photo PlethysmoGraphic，光电容积脉搏波描记法)数据和ACC数据输入心率估计模型，完成心率估计任务。在训练心率估计模型时，通常采用公开数据集PPG-DaLiA。然而，公开数据集PPG-DaLiA的标签具有严重的不平衡问题，从而对心率估计模型具有严重消极的影响。

为了解决训练样本不平衡的问题，现有的解决方法通常通过设计重加权损失函数的方式，将连续标签进行分段，利用各段中标签所占比例，对损失函数进行重加权，使用重加权后的损失函数训练模型。然而，采用上述方式会导致模型对标签较多的样本学习能力下降，从而增大预测误差。

发明内容

本申请实施例的目的在于提供一种样本增强方法及装置、心率估计模型训练方法及装置、电子设备和计算机可读存储介质，用以在不影响模型预测误差的基础上，改善训练样本不平衡的问题。

第一方面，本申请提供一种样本增强方法，包括：获取待增强样本集；其中，所述待增强样本集包括多个样本，所述多个样本包括PPG数据和\或ACC数据；基于所述待增强样本集中的多个样本和预设的窗函数生成多个增强样本；其中，所述窗函数用于对所述多个样本增加噪声。

在本申请实施例中，待增强样本集为样本数量较少的样本集，采用预设的窗函数与待增强样本集中的样本增加噪声，生成增强样本，增加待增强样本集中的样本数量。相较于通过设计重加权损失函数的方式，通过上述样本增强方法，无需对损失函数进行重加权，从而对模型预测效果的影响较小。此外，增加了用于训练模型的样本数量，增强模型的鲁棒性。

在可选的实施方式中，所述获取待增强样本集包括：根据预设的区间间隔对数据集中的标签进行分组，确定多个样本集；其中，所述数据集包括多个样本和每个样本对应的标签，每个所述样本集对应一个标签区间，每个样本集中的各个样本对应的标签均位于该样本集对应的标签区间中；将所述多个样本集中样本数量小于预设阈值的样本集确定为所述待增强样本集。

在本申请实施例中，设置预设阈值，从多个样本集中确定出样本数量较少的样本集作为待增强样本。

在可选的实施方式中，所述基于所述待增强样本集中的多个样本和预设的窗函数生成多个增强样本，包括：针对所述待增强样本集中的每个样本，根据所述窗函数对该样本增加噪声，生成一个增强样本；其中，所述增强样本对应的标签与该样本对应的标签相同。

在可选的实施方式中，所述根据所述窗函数对该样本增加噪声，生成一个增强样本，包括：基于公式：New_sig＝Raw_sig*W(n)，确定增强样本New_sig；其中，Raw_sig为所述待增强样本集中的样本，W(n)为所述窗函数。

第二方面，本申请提供一种心率估计模型训练方法，包括：获取数据集和增强数据集；其中，所述增强数据集包括增强样本，所述增强样本根据前述实施方式任一项所述的方法确定；对所述数据集和所述增强数据集进行预处理，得到预处理后的所述数据集和预处理后的所述增强数据集；利用预处理后的所述数据集和预处理后的所述增强数据集训练对预设的深度网络模型进行训练，得到心率估计模型。