申请/专利权人:大连大学
申请日:2024-04-01
公开(公告)日:2024-06-14
公开(公告)号:CN118194045A
主分类号:G06F18/214
分类号:G06F18/214;G06F18/241;A61B5/372;G06N3/094;G06N3/0464;G06N3/048
优先权:
专利状态码:在审-公开
法律状态:2024.06.14#公开
摘要:本发明涉及一种运动想象脑电信号数据增广模型及其增广方法,通过深度卷积生成对抗网络DCGAN的模型结构,结合生成器和鉴别器的损失函数设计,考虑了随机噪声分布、真实数据分布以及梯度惩罚项,有助于模型更好地学习数据的分布特性,提高生成数据的质量;与传统的DCGAN网络生成的数据相比,本发明改进的方法生成的数据更接近真实数据的分布,从而更有利于提高分类器的泛化能力,进而本模型能够更有效地提高脑电信号分类的性能。
主权项:1.一种运动想象脑电信号数据增广模型,其特征在于,以深度卷积生成对抗网络DCGAN的模型结构为基础,使其生成器使用如式1所示的损失函数: 其中:LG表示生成器的损失函数;z是生成器输入的随机噪声;pz是生成器的随机噪声分布;Gz表示生成器的输出;D表示鉴别器;表示从生成器的输入分布Pz中采样噪声向量z,然后将其输入到生成器G中生成样本,最后计算鉴别器D对这些生成样本的输出的期望值;使其鉴别器使用如式2所示的损失函数: 其中:LD表示鉴别器的损失函数;x是鉴别器输入的真实数据;Pr是真实数据的分布;Dx表示鉴别器对真实数据样本x的输出;λ是梯度惩罚项的权重;是真实数据和生成数据之间的随机插值,是这些随机插值的分布;表示表示鉴别器对输入样本的输出;Ex~Pr[Dx]-表示从真实数据分布Pr中采样真实数据样本x,然后计算鉴别器D对这些真实数据样本的输出的期望值;表示从样本分布中采样输入样本然后计算鉴别器D对这些输入样本的梯度的L2范数的期望值,再减去1并求平方。
全文数据:
权利要求:
百度查询: 大连大学 一种运动想象脑电信号数据增广模型及其增广方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。