(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211515467.0 (22)申请日 2022.11.30 (71)申请人 合肥心之声健康科技有限公司 地址 230088 安徽省合肥市高新区望江西 路900号中安创谷科技园一期A3栋719 室 (72)发明人 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　 (74)专利代理 机构 合肥金律专利代理事务所 (普通合伙) 34184 专利代理师 程笃庆 (51)Int.Cl. A61B 5/318(2021.01)A61B 5/00(2006.01) G06N 3/08(2006.01) (54)发明名称 一种增强分类心电信号的神经网络模型鲁 棒性的方法 (57)摘要 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。 权利要求书7页 说明书16页 附图1页 CN 115530842 A 2022.12.30 CN 115530842 A 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S 8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：权　利　要　求　书 1/7 页 2 CN 115530842 A 2； 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；权　利　要　求　书 2/7 页 3 CN 115530842 A 3