bioinformatics and biomedicine (bibm), ieee, 2020, pp.2456-2460.)采用无梯度训练的符号激活神经网络对心电信号进行分类，由于han等人和chen等人提出的噪音生成方法针对的是采用梯度下降训练的深度神经网络，因此yang等人提出的无梯度训练的符号激活神经网络可以直接避免这两类噪音的攻击，由于lam等人提出的噪音生成方法对分类神经网络并无特殊要求，因此yang等人提出的分类神经网络依然会受到lam等人提出的噪音的攻击。ma等人(l. ma, l. liang, enhance cnn robustness against noises for classification of 12-lead ecg with variable length, in: 2020 19th ieee international conference on machine learning and applications (icmla), ieee, 2020, pp. 839-846)提出噪音信号比正则化方法，以增强采用梯度下降训练的深度神经网络的鲁棒性，但是其效果有限。可以看出，当前提升分类心电信号的深度神经网络鲁棒性的技术较少，已有的技术效果有限。
技术实现要素：
5.为解决
背景技术：
中存在的技术问题，本发明提出一种增强分类心电信号的神经网络模型鲁棒性的方法。
6.本发明提出的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：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。
7.优选地，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。
8.优选地，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。
9.优选地，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。
10.优选地，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。
11.优选地，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。
12.优选地，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；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。
13.优选地，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。
14.优选地，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。
15.优选地，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。
16.本发明中，所提出的增强分类心电信号的神经网络模型鲁棒性的方法，所获得的分类心电信号的神经网络模型，在心电信号受到针对神经网络的攻击方法攻击时，能够提升深度神经网络对于此类心电信号的分类准确率，且效果显著。
附图说明
17.图1为本发明提出的一种增强分类心电信号的神经网络模型鲁棒性的方法的流程图。
具体实施方式
18.如图1所示，图1为本发明提出的一种增强分类心电信号的神经网络模型鲁棒性的方法的一种实施方式的结构示意图。
19.参照图1，本发明提出的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：步骤s1，获取第一训练数据集。
20.具体地，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；将第一训练数据集中的各心电信号数据的长度补齐；本实施例中，所述的第一训练数据集来自于2017年生理网络/心脏病学计算（cinc）挑战赛，该挑战赛中一共有8528条单导心电信号，包括5076条正常ecg信号，758条心房颤动的异常心电信号，2415条其他类型的心电信号以及279条噪音数据4种类型的心电信号数据。
21.这里，如果一个类别数量是另一个类别数量的3倍以上，我们就说此类别数量存在不均衡，少的那一类别需要补入数据，显然上述心电信号数据存在各类别数量不均衡的情况；此外，这些心电信号数据的长度在9到61秒，即该心电信号数据还存在长度不等的问题；因此，需对该心电信号数据进行预处理，具体过程为：一方面，以重复抽样的方式将心电信号数据的数量较少的类型的心电信号数据数量扩充至与心电信号数据的数量最多的类型的心电信号数据数量相当，以此解决各类别数量不均衡的问题；本实施例中，采用重复抽样的方式将心房颤动的异常心电信号扩充到原来的两倍，将噪音数据扩充到原来的6倍，以此解决各类别数量不均衡的问题。
22.另一方面，通过设置心电信号数据的标准样本点为个，若心电信号数据不足个样本点，则在心电信号数据的两端用0进行填补至个样本点；若心电信号数据超过个样本点，则取心电信号数据中连续的前个样本点，以解决心电信号数据长度不等的问题；本实施例中，将每条心电信号数据限制为9000个样本点，对于不足9000个样本点的信号数据，我们在信号数据的两端用0进行填补，对于超过9000个样本点的信号数据，仅采用前9000个样本点代表该信号数据，以解决心电信号数据长度不等的问题。
23.本实施例中，将挑战赛中的心电信号数据进行预处理后，划分成第一训练数据集和测试数据集，第一训练数据集和测试数据集的心电信号数据数量比为9:1。
24.具体地，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。
25.本实施例中，正常心电信号的标签向量表示为，心房颤动的异常心电信号的标签向量表示为，其他类型心电信号的标签向量表示为，噪音数据的标签
向量表示为。
26.步骤s2，将第一训练数据集划分为多个第一训练数据子集。
27.本实施例中，将第一训练数据集按照每16个心电信号数据为一个第一训练数据子集划分为多个第一训练数据子集。
28.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。
29.具体地，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。
30.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；具体地，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；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。
31.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。
32.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。
33.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。
34.具体地，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。
35.步骤s7，将第二训练数据集划分为多个第二训练数据子集。
36.具体地，将第二训练数据集按照每16个心电信号数据为一个第二训练数据子集划分为多个第二训练数据子集。
37.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；具体地，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；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。
38.具体地，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。
39.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。
40.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。
41.步骤s11，获得分类心电信号的神经网络模型。
42.本实施例中，为了验证本发明获得的分类心电信号的神经网络模型在心电信号受到针对性攻击（即经噪音处理）时，仍能保持较高的准确性，增强分类心电信号的神经网络模型鲁棒性，具体实验如下：首先，采用一个13层的卷积神经网络，并采用本发明提出的方法训练卷积神经网络获得分类心电信号的神经网络模型（即实验组）；采用一个13层的卷积神经网络，并采用
常规的逆向求导更新参数的方法训练卷积神经网络获得分类心电信号的神经网络模型（即对照组）；其次，分别采用sap方法和pgd方法(a. madry, a. makelov, l. schmidt, d. tsipras, a. vladu, towards deep learning models resistant to adversarial attacks, arxiv preprint arxiv:1706.06083 (2017))攻击（即经噪音处理）测试数据集的测试样本获取攻击测试样本；最后，分别利用原始测试样本和攻击测试样本检测本发明提出的方法所获得的分类心电信号的神经网络模型（即实验组）的准确率以及f1分数；分别利用原始测试样本和攻击测试样本检测常规方法获得的分类心电信号的神经网络模型（即实验组）的准确率以及f1分数，每个实验运行5次，取平均值，具体实验数据如下表1-表2：表1 采用sap方法获取的攻击测试样本 准确率f1分数原始测试样本检测实验组0.86610.7679攻击测试样本检测实验组0.86310.7737原始测试样本检测对照组0.86310.7746攻击测试样本检测对照组0.42560.2839表2 采用pgd方法获取的攻击测试样本 准确率f1分数原始测试样本检测实验组0.86610.7679攻击测试样本检测实验组0.86120.7709原始测试样本检测对照组0.86310.7746攻击测试样本检测对照组0.39060.2558从表1-2的实验数据结果可以看出，对于采用常规方法（即未采用防御方法）获得的分类心电信号的神经网络模型，其在分类攻击测试样本时，准确率和f1分数都出现大幅下滑，但是本发明提出的方法所获得的分类心电信号的神经网络模型，其在分类攻击测试样本时，准确率和f1分数没有受到太大影响，说明本发明提出的方法所获得的分类心电信号的神经网络模型鲁棒性有大幅的提升。
43.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
技术实现要素：
5.为解决
背景技术：
中存在的技术问题，本发明提出一种增强分类心电信号的神经网络模型鲁棒性的方法。
6.本发明提出的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：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。
7.优选地，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。
8.优选地，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。
9.优选地，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。
10.优选地，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。
11.优选地，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。
12.优选地，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；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。
13.优选地，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。
14.优选地，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。
15.优选地，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。
16.本发明中，所提出的增强分类心电信号的神经网络模型鲁棒性的方法，所获得的分类心电信号的神经网络模型，在心电信号受到针对神经网络的攻击方法攻击时，能够提升深度神经网络对于此类心电信号的分类准确率，且效果显著。
附图说明
17.图1为本发明提出的一种增强分类心电信号的神经网络模型鲁棒性的方法的流程图。
具体实施方式
18.如图1所示，图1为本发明提出的一种增强分类心电信号的神经网络模型鲁棒性的方法的一种实施方式的结构示意图。
19.参照图1，本发明提出的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：步骤s1，获取第一训练数据集。
20.具体地，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；将第一训练数据集中的各心电信号数据的长度补齐；本实施例中，所述的第一训练数据集来自于2017年生理网络/心脏病学计算（cinc）挑战赛，该挑战赛中一共有8528条单导心电信号，包括5076条正常ecg信号，758条心房颤动的异常心电信号，2415条其他类型的心电信号以及279条噪音数据4种类型的心电信号数据。
21.这里，如果一个类别数量是另一个类别数量的3倍以上，我们就说此类别数量存在不均衡，少的那一类别需要补入数据，显然上述心电信号数据存在各类别数量不均衡的情况；此外，这些心电信号数据的长度在9到61秒，即该心电信号数据还存在长度不等的问题；因此，需对该心电信号数据进行预处理，具体过程为：一方面，以重复抽样的方式将心电信号数据的数量较少的类型的心电信号数据数量扩充至与心电信号数据的数量最多的类型的心电信号数据数量相当，以此解决各类别数量不均衡的问题；本实施例中，采用重复抽样的方式将心房颤动的异常心电信号扩充到原来的两倍，将噪音数据扩充到原来的6倍，以此解决各类别数量不均衡的问题。
22.另一方面，通过设置心电信号数据的标准样本点为个，若心电信号数据不足个样本点，则在心电信号数据的两端用0进行填补至个样本点；若心电信号数据超过个样本点，则取心电信号数据中连续的前个样本点，以解决心电信号数据长度不等的问题；本实施例中，将每条心电信号数据限制为9000个样本点，对于不足9000个样本点的信号数据，我们在信号数据的两端用0进行填补，对于超过9000个样本点的信号数据，仅采用前9000个样本点代表该信号数据，以解决心电信号数据长度不等的问题。
23.本实施例中，将挑战赛中的心电信号数据进行预处理后，划分成第一训练数据集和测试数据集，第一训练数据集和测试数据集的心电信号数据数量比为9:1。
24.具体地，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。
25.本实施例中，正常心电信号的标签向量表示为，心房颤动的异常心电信号的标签向量表示为，其他类型心电信号的标签向量表示为，噪音数据的标签
向量表示为。
26.步骤s2，将第一训练数据集划分为多个第一训练数据子集。
27.本实施例中，将第一训练数据集按照每16个心电信号数据为一个第一训练数据子集划分为多个第一训练数据子集。
28.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。
29.具体地，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。
30.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；具体地，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；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。
31.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。
32.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。
33.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。
34.具体地，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。
35.步骤s7，将第二训练数据集划分为多个第二训练数据子集。
36.具体地，将第二训练数据集按照每16个心电信号数据为一个第二训练数据子集划分为多个第二训练数据子集。
37.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；具体地，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；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。
38.具体地，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。
39.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。
40.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。
41.步骤s11，获得分类心电信号的神经网络模型。
42.本实施例中，为了验证本发明获得的分类心电信号的神经网络模型在心电信号受到针对性攻击（即经噪音处理）时，仍能保持较高的准确性，增强分类心电信号的神经网络模型鲁棒性，具体实验如下：首先，采用一个13层的卷积神经网络，并采用本发明提出的方法训练卷积神经网络获得分类心电信号的神经网络模型（即实验组）；采用一个13层的卷积神经网络，并采用
常规的逆向求导更新参数的方法训练卷积神经网络获得分类心电信号的神经网络模型（即对照组）；其次，分别采用sap方法和pgd方法(a. madry, a. makelov, l. schmidt, d. tsipras, a. vladu, towards deep learning models resistant to adversarial attacks, arxiv preprint arxiv:1706.06083 (2017))攻击（即经噪音处理）测试数据集的测试样本获取攻击测试样本；最后，分别利用原始测试样本和攻击测试样本检测本发明提出的方法所获得的分类心电信号的神经网络模型（即实验组）的准确率以及f1分数；分别利用原始测试样本和攻击测试样本检测常规方法获得的分类心电信号的神经网络模型（即实验组）的准确率以及f1分数，每个实验运行5次，取平均值，具体实验数据如下表1-表2：表1 采用sap方法获取的攻击测试样本 准确率f1分数原始测试样本检测实验组0.86610.7679攻击测试样本检测实验组0.86310.7737原始测试样本检测对照组0.86310.7746攻击测试样本检测对照组0.42560.2839表2 采用pgd方法获取的攻击测试样本 准确率f1分数原始测试样本检测实验组0.86610.7679攻击测试样本检测实验组0.86120.7709原始测试样本检测对照组0.86310.7746攻击测试样本检测对照组0.39060.2558从表1-2的实验数据结果可以看出，对于采用常规方法（即未采用防御方法）获得的分类心电信号的神经网络模型，其在分类攻击测试样本时，准确率和f1分数都出现大幅下滑，但是本发明提出的方法所获得的分类心电信号的神经网络模型，其在分类攻击测试样本时，准确率和f1分数没有受到太大影响，说明本发明提出的方法所获得的分类心电信号的神经网络模型鲁棒性有大幅的提升。
43.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。
