一种神经生理信号的生成和识别方法与流程

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。

技术实现要素：

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。

所述的生成器的训练中，生成器输出不同分辨率的初始特征图，求出不同初始特征图的每个空间位置的标准差，填入一张过渡特征图的对应空间位置，形成过渡特征图，对该过渡特征图的所有空间位置的特征值求平均值，将平均值代填入该过渡特征图的所有位置，得到新的特征图，将新的特征图与原有的特征图一起输入到判别器。

所述的判别器的训练中，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。

所述的判别器的训练中，判别器输出不同分辨率的初始特征图，求出不同初始特征图的每个空间位置的平均值和标准差，然后对每一个初始特征图做归一化处理：归一化值＝(si-平均值)/标准差，其中，si是每个初始特征图的空间位置的值。

所述的生成器和判别器的联合训练中，加入的噪声强度为：

噪声强度＝0.2×(0,dt-0.5)²，dt＝0.9×dt-1+0.1×dt，其中，dt和dt-1分别为第t次迭代判别器输出的修正值和第t-1次迭代真样本的判别器输出的修正值。

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，识别准确率相对于传统方法有很大提高，解决了解决神经生理信号识别中训练数据量不足而导致的分类模型训练效果不佳的问题，对于提高小数据量下神经生理信号识别准确度，提高各类疾病的临床诊断准确率和自动识别效果具有重要意义。

附图说明

图1是本发明提供的一种神经生理信号的生成和识别方法的流程图。

图2是本发明生成器训练方式示意图。

图3是本发明中模型多样性判别特征选择图。

图4是本发明判别器训练方式示意图。

图5是本发明中特征归一化方法示意图。

图6是发明中用作分类的长短期记忆网络的结构示意图。

具体实施方式

以下根据图1～图6，具体说明本发明的较佳实施例。

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；

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；

步骤s4、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；

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。

本发明利用生成对抗网络对原有神经生理信号数据进行扩增，采用长短期记忆网络作为分类器解决小数据量的神经生理信号识别问题。如图1所示，这里的神经信号以癫痫病人的脑电信号数据为例，原始癫痫脑电信号采用德国波恩大学的癫痫研究中心的标准数据集，数据包括5组(a、b、c、d、e)，每组数据包含100个23.6s长度的单信道eeg信号片段，频率被整定到173.6hz。首先对脑电信号按照2hz，4hz，8hz，16hz，32hz，64hz，128hz进行重采样，与原始信号一起构成生成对抗网络的训练样本；将不同分辨率的信号按照2hz，4hz，8hz，16hz，32hz，64hz，128hz进行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；将不同分辨率的信号按照2hz，4hz，8hz，16hz，32hz，64hz，128hz进行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；接着将生成器的输出作为判别器的输入，联合训练，形成完整的生成对抗网络，生成对抗网络产生生成信号，该生成信号是模拟癫痫脑电信号；最后使用长短期记忆网络对原始癫痫脑电信号的数据集进行分类。

生成对抗网络的训练过程采用渐进的训练方式，由低分辨率信号逐渐向高分辨率信号过度。

如图2所示，生成器由反卷积神经网络构成，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，待上一分辨率稳定训练后，再过渡到下一个更高分辨率。在训练过程中将上一分辨率的输出通过上采样和卷积操作得到与下一分辨率同样大小的输出，然后对两部分输出做加权，得到下一分辨率的实际输出。s实际输出＝w×(s当前输出)+(1-w)×s上一分辨率输出，其中，w是权重。通过逐步增加下一分辨率所占的权重，使得训练生成下一分辨率的网络更加稳定，同时也能够充分利用上一分辨率的训练结果，保证模型训练的稳定性。生成器输出的是特征图，也就是模拟神经信号，也是一个一维的时间序列，可以理解为不同层生成的不同分辨率的模拟神经信号，相当于反卷积神经网络的模型隐含层的输出。

为了增加生成的癫痫信号数据的多样性，在不增加参数的条件下，通过求不同特征图每个空间位置的标准差作为多样性的判别特征，然后将所有空间位置的标准差复制构成一张新的特征图，其大小将其与原有的特征图保持一致，将其与原有特征图拼接在一起，送入到判别器中，以保证生成的图像不仅仅是原始图像的复制，同时具备多样性。如图3所示，首先求出不同特征图的每个空间位置的标准差，填入一张新的特征图的对应空间位置，形成一张新的特征图，然后再对这个特征图的所有空间位置的特征值求平均值，将这个平均值填入新的特征图的所有位置，得到的新特征图，最后将新特征图与原有的特征图一起输入到判别器，作为一个衡量多样性的指标。特征图有很多个，每个特征图又有多个空间位置，std就是求特征图每个空间位置沿该空间位置方向所有特征值的标准差，求平均就是把得到的新的特征图的标准差求平均，将这个平均值填入新特征图的每个位置，得到最终衡量多样性的特征图。如图4所示，判别器由卷积神经网络构成，在训练过程中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，在上一分辨率稳定训练后，再过渡到下一分辨率。在训练过程中将上一分辨率的输出通过下采样和卷积操作得到与下一分辨率同样大小的输出，然后对两部分输出做加权，得到下一分辨率的实际输出。s实际输出＝w×(s当前输出)+(1-w)×s上一分辨率输出，其中，w是权重。判别器输出的是特征图，可以理解为卷积神经网络的隐藏层输出。

在训练判别器的过程中，将特征图每个位置沿该位置通道方向做标准化，使得特征图每个位置都具有单位长度。在不引入新参数的条件下，增加模型训练的稳定性。如图5所示，卷积神经网络输出多个特征图，特征图有很多个位置，这样就相当于把图片排列在一起形成了每个位置的通道，求每个通道的平均值和标准差，然后对每一个特征图做归一化处理：s归一化＝(si-s平均值)/s标准差，其中，si是每个特征图的空间位置的值，归一化是为了防止梯度消失现象出现。

完成训练层添加后，将生成器的输出作为判别器的输入，进行联合训练，生成器输出一个模拟信号，判别器判别一次，然后判别器给生成器一个该信号为真信号的概率，生成器由此进行参数微调，当判别器无法鉴别信号为真还是假的时候说明生成器生成的信号已经足够真实。为了防止模型崩溃现象发生，在不同分辨率的原始输入信号中加入噪声，防止梯度消失现象发生。具体来说，当判别器对真样本的输出判别概率越接近1时，噪声强度越大，而判别概率越小(<＝0.5)时(无法判别真假样本)，则引入较小噪声。噪声强度＝0.2×(0,dt-0.5)²，dt＝0.9×dt-1+0.1×dt，其中，dt和dt-1分别为第t次迭代判别器输出的修正值和第t-1次迭代真样本的判别器输出的修正值。

如图6所示，为了控制模型大小，最后做分类的时候采用轻量化的时间序列处理技术长短神经网络作为分类器，该长短神经网络由三层构成。xt-1，xt，xt+1分别表示脑电信号三个连续时刻的信号幅度大小输入；σ表示信号输入到s型函数中进行运算，输出0-1的值，0代表“不许任何量通过”，1就指“允许任意量通过”；×表示卷积操作；+表示求和操作；tanh表示将信号输入到双曲正切函数中运算；ht-1，ht，ht+1分别为三层网络的输出，其中ht+1为网络的分类结果。该分类器在扩增后的数据集上进行训练，在原数据集上进行验证。

验证结果显示，生成的癫痫脑电信号数据的平均is指标为1.363，fid指标为9.523，间歇期和发作期的识别准确率为98.2％，相对于不进行数据扩增提高了10％左右。is指标指用谷歌的初始模型计算出的描述图片质量的指标，与图片质量成正相关。fid指标是弗雷歇距离，用于描述生成图片的多样性，与图片的多样性成负相关。

本发明具有以下优点：

1、采用从低分辨率到高分辨率渐进的新型对抗生成网络的训练方式，保证了模型对原信号不同频段特征的捕捉，同时进一步提高模型训练的稳定性，防止模型崩塌现象的产生；

2、在不增加参数的条件下，通过求不同特征图的每个空间位置的标准差作为多样性的判别特征，增加模型的生成数据的多样性；

3、通过将特征图每个位置沿该位置通道方向做标准化并针对性地向训练数据中加入噪声，使得生成对抗网络训练更加稳定，解决了模型崩溃的问题；

4、使用轻量化的时间序列处理模型长短期记忆神经网路作为分类器，在保证训练精度的同时，控制模型大小；

5、利用发明提供的方法在标准数据库中生成的癫痫脑电信号具有较高的fid和is指标，对于提高小数据量情况下神经生理信号识别准确度，在提高神经系统疾病的临床诊断准确率和自动识别效果上具有重要意义。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。