一种增强分类心电信号的神经网络模型鲁棒性的方法与流程

技术特征：
1.一种增强分类心电信号的神经网络模型鲁棒性的方法，其特征在于，包括：步骤s1，获取第一训练数据集；步骤s2，将第一训练数据集划分为多个第一训练数据子集；步骤s3，依次获取各第一训练数据子集的第一对抗数据子集；步骤s4，依次利用各第一训练数据子集和与其对应的第一对抗数据子集共同训练第一深度神经网络；步骤s5，循环步骤s3至步骤s4，循环次数为，获得完成训练的第一深度神经网络；步骤s6，根据完成训练的第一深度神经网络获得第二训练数据集；步骤s7，将第二训练数据集划分为多个第二训练数据子集；步骤s8，依次获取各第二训练数据子集的第二对抗数据子集；步骤s9，依次利用各第二训练数据子集和与其对应的第二对抗数据子集共同训练第二深度神经网络；步骤s10，循环步骤s8至步骤s9，循环次数为，获得完成训练的第二深度神经网络；步骤s11，获得分类心电信号的神经网络模型。2.根据权利要求1所述的增强分类心电信号的神经网络模型鲁棒性的方法，其特征在于，步骤s1中，对第一训练数据集中的心电信号数据进行预处理。3.根据权利要求2所述的增强分类心电信号的神经网络模型鲁棒性的方法，其特征在于，对第一训练数据集中的心电信号数据进行预处理具体过程包括：将第一训练数据集中的各种类型的心电信号数据的数量补齐。4.根据权利要求2所述的增强分类心电信号的神经网络模型鲁棒性的方法，其特征在于，对第一训练数据集中的心电信号数据进行预处理具体过程包括：将第一训练数据集中的各心电信号数据的长度补齐。5.根据权利要求1所述的增强分类心电信号的神经网络模型鲁棒性的方法，其特征在于，步骤s1中，所述第一训练数据集包括种类型的心电信号数据共条；第一训练数据集中的心电信号数据的标签向量表示为；其中，若心电信号数据的标签向量的第个元素，且其它元素,则心电信号数据属于第种类型的心电信号数据。6.根据权利要求1所述的增强分类心电信号的神经网络模型鲁棒性的方法，其特征在于，步骤s3中，依次获取各第一训练数据子集的第一对抗数据子集的具体过程为：步骤s301，将第一训练数据子集中的心电信号数据输入第一神经网络中，获得第一神经网络根据心电信号数据生成的预测向量，若,则预测该心电信号数据属于第种类型的心电信号数据；步骤s302，预测向量与标签向量的交叉熵损失的计算公式为：
；其中，表示标签向量中的第个元素，表示预测向量中的第个元素；步骤s303，输入第一神经网络的心电信号数据的更新公式为：；其中，表示第一训练数据子集的心电信号数据更新次后的心电信号数据；表示第一神经网络输入心电信号数据更新后的心电信号数据；代表第一神经网络的第一步长参数；表示交叉熵损失值对第一神经网络的输入的心电信号数据进行逆向求导的导数；表示将心电信号数据与心电信号数据之间差的绝对值限定在范围内；步骤s304，循环步骤s301至步骤s303，循环次数为，依次将第一训练数据子集中的心电信号数据输入第一神经网络中获得心电信号数据更新后的心电信号数据、心电信号数据输入第一神经网络中获得心电信号数据更新后的心电信号数据、
……
、心电信号数据输入第一神经网络中获得心电信号数据更新后的心电信号数据；步骤s305，利用第一训练数据子集中的心电信号数据更新次后的心电信号数据减去第一训练数据子集中的心电信号数据，获得噪音数据；步骤s306，将噪音数据添加至第一训练数据子集中的心电信号数据中获得对抗样本数据的公式为：；其中，表示中心为，标准差为的高斯核函数；表示高斯核函数的个数；步骤s307，将对抗样本数据输入第一神经网络中，获得该对抗样本数据的预测向量；步骤s308，预测向量与标签向量的交叉熵损失的计算公式为：；其中，表示中的第个元素，表示中的第个元素；
步骤s309，噪音数据的更新公式为：；其中，表示噪音数据更新次后的噪音数据；表示噪音数据更新后的噪音数据；代表第一神经网络的第二步长参数；表示交叉熵损失值对噪音数据进行逆向求导的导数；表示将噪音数据与之间差的绝对值限定在范围内；步骤s310，循环步骤s306至步骤s309，循环次数为，依次获取对抗样本数据并将其输入第一神经网络中获得噪音数据更新后的噪音数据、获取对抗样本数据并将其输入第一神经网络中获得噪音数据更新后的噪音数据、
……
、获取对抗样本数据并将其输入第一神经网络中获得噪音数据更新后的噪音数据；步骤s311，将噪音数据添加至第一训练数据子集中的心电信号数据中，获得各心电信号数据的对抗样本数据，构成第一对抗数据子集；步骤s312，循环步骤s301至步骤s311，依次获取各第一训练数据子集的第一对抗数据子集。7.根据权利要求1所述的增强分类心电信号的神经网络模型鲁棒性的方法，其特征在于，步骤s4中，依次利用各第一训练数据子集和与其对应的第一对抗数据子集共同训练第一深度神经网络的具体过程为：步骤s41，获取第一个神经网络的初始结构参数；步骤s42，将第一训练数据子集中的心电信号数据和该心电信号数据的对抗样本数据送入第一个神经网络中，输出该心电信号数据的预测向量和该心电信号数据的对抗样本数据的预测向量为：；步骤s43，预测向量与标签向量的交叉熵损失的计算公式为：；其中，表示中的第个元素，表示中的第个元素；第一训练数据子集中的心电信号数据与对抗样本数据的损失的计算公式为：；
步骤s44，第一神经网络的结构参数更新公式为：；其中，表示第一个神经网络的初始结构参数更新次后的结构参数；为结构参数更新后的值，代表第一个神经网络的第三步长参数，为第一训练数据子集中的心电信号数据的个数，为第一训练数据子集中第个心电信号数据与对抗样本数据的损失，表示交叉熵损失值对第一神经网络的结构参数进行逆向求导的导数；步骤s45，循环步骤s41至步骤s44，依次利用各第一训练数据子集和其对应的第一对抗数据子集更新第一神经网络的结构参数。8.根据权利要求1所述的增强分类心电信号的神经网络模型鲁棒性的方法，其特征在于，步骤s6中，根据完成训练的第一深度神经网络获得第二训练数据集的具体过程为：将第一训练数据集的第一训练数据子集的心电信号数据输入完成训练的第一个神经网络中，获得各心电信号数据的最终预测向量，分别将第一训练数据集的第一训练数据子集的各心电信号数据的标签向量替换为该心电信号数据的最终预测向量，获得第二训练数据集，即第二训练数据集的心电信号数据的标签向量表示为。9.根据权利要求1所述的增强分类心电信号的神经网络模型鲁棒性的方法，其特征在于，步骤s8中，依次获取各第二训练数据子集的第二对抗数据子集的具体过程为：步骤s801，将第二训练数据子集中的心电信号数据输入第二神经网络中，获得第二神经网络根据心电信号数据生成的预测向量，若,则预测该心电信号数据属于第种类型的心电信号数据；步骤s802，预测向量与标签向量的交叉熵损失的计算公式为：；其中，表示标签向量中的第个元素，表示预测向量中的第个元素；步骤s803，输入第二神经网络的心电信号数据的更新公式为：；其中，表示第二训练数据子集的心电信号数据更新次后的心电信号数据；表
示第二神经网络输入心电信号数据更新后的心电信号数据；代表第二神经网络的第一步长参数；表示交叉熵损失值对第二神经网络的输入的心电信号数据进行逆向求导的导数；表示将心电信号数据与心电信号数据之间差的绝对值限定在范围内；步骤s804，循环步骤s801至步骤s803，循环次数为，依次将第二训练数据子集中的心电信号数据输入第二神经网络中获得心电信号数据更新后的心电信号数据、心电信号数据输入第二神经网络中获得心电信号数据更新后的心电信号数据、
……
、心电信号数据输入第二神经网络中获得心电信号数据更新后的心电信号数据；步骤s805，利用第二训练数据子集中的心电信号数据更新次后的心电信号数据减去第二训练数据子集中的心电信号数据，获得噪音数据；步骤s806，将噪音数据添加至第二训练数据子集中的心电信号数据中获得对抗样本数据的公式为：；其中，表示中心为，标准差为的高斯核函数；表示高斯核函数的个数；步骤s807，将对抗样本数据输入第二神经网络中，获得该对抗样本数据的预测向量；步骤s808，预测向量与标签向量的交叉熵损失的计算公式为：；步骤s809，噪音数据的更新公式为：；其中，表示噪音数据更新次后的噪音数据；表示噪音数据更新后的噪音数据；代表第二神经网络的第二步长参数；表示交叉熵损失值对噪音数据进行逆向求导的导数；表示将噪音数据与之间差的绝对值限定在范围内；
步骤s810，循环步骤s806至步骤s809，循环次数为，依次获取对抗样本数据并将其输入第二神经网络中获得噪音数据更新后的噪音数据、获取对抗样本数据并将其输入第二神经网络中获得噪音数据更新后的噪音数据、
……
、获取对抗样本数据并将其输入第二神经网络中获得噪音数据更新后的噪音数据；步骤s811，将噪音数据添加至第二训练数据子集中的心电信号数据中，获得各该心电信号数据的对抗样本数据，构成第一对抗数据子集；步骤s812，循环步骤s801至步骤s811，依次获取各第二训练数据子集的第二对抗数据子集。10.根据权利要求1所述的增强分类心电信号的神经网络模型鲁棒性的方法，其特征在于，步骤s9中，依次利用各第二训练数据子集和与其对应的第二对抗数据子集共同训练第二深度神经网络的具体过程为：步骤s901，获取第二个神经网络的初始结构参数；步骤s902，将第二训练数据子集的心电信号数据和该心电信号数据的对抗样本数据送入第二个神经网络中，输出该心电信号数据的预测向量和该心电信号数据的对抗样本数据的预测向量；步骤s903，预测向量与标签向量的交叉熵损失的计算公式为：；其中，表示中的第个元素，表示中的第个元素；第二训练数据子集中的心电信号数据与对抗样本数据的损失的计算公式为：；步骤s904，第二神经网络的结构参数更新公式为：；其中，表示第二个神经网络的初始结构参数更新次后的结构参数；为结构
参数更新后的值，代表第二个神经网络的第三步长参数，为第二训练数据子集中的心电信号数据的个数，为第二训练数据子集中第个心电信号数据与对抗样本数据的损失，表示交叉熵损失值对第二神经网络的结构参数进行逆向求导的导数；步骤s905，循环步骤s901至步骤s904，依次利用各第二训练数据子集和其对应的第二对抗数据子集更新第二神经网络的结构参数。

技术总结
本发明公开了一种增强分类心电信号的神经网络模型鲁棒性的方法，包括：获取第一训练数据集；利用第一训练数据集训练第一深度神经网络；获得完成训练的第一深度神经网络；根据完成训练的第一深度神经网络获得第二训练数据集；利用第二训练数据集训练第二深度神经网络；获得完成训练的第二深度神经网络；获得分类心电信号的神经网络模型。本发明提出的方法可以辅助分类心电信号的神经网络防御攻击，提高其鲁棒性。高其鲁棒性。高其鲁棒性。


技术研发人员：邵佳豪 洪申达 耿世佳 魏国栋 王凯 章德云 陈星月 傅兆吉 周荣博 俞杰 徐伟伦 鄂雁祺 齐新宇
受保护的技术使用者：合肥心之声健康科技有限公司
技术研发日：2022.11.30
技术公布日：2022/12/30