一种基于生成对抗网络的双频指数预测方法及系统与流程

1.本技术涉及双频指数预测领域，尤其是涉及一种基于生成对抗网络的双频指数预测方法及系统。


背景技术：

2.双频指数是一种用于监测人脑在不同镇静水平的参考指标之一，而脑电图是研究脑活动的重要信息来源之一，脑电双频指数可以用来监测麻醉深度，然而传统的双频指数计算的封闭性和复杂性使得脑电监测水平存在一定的限制，需要对传统的双频指数计算进行改进。
3.相关技术中，通过短时距傅里叶变换将原始信号转化成时频图，再将两个通道的图像合并作为输入以对神经网络进行训练，以达到将脑电信号时域信号转化成时频图像，以对时频图像进行分析。
4.针对上述中的相关技术，虽然通过使用时域脑电信号的频率特征将时域信号转换成时频图像，但时频图像的二维表示将失去时间特征和空间特征，从而使得对脑电波识别判断存在误差，存在改进之处。


技术实现要素：

5.为了提高对双频指数预测的精确性，本技术提供了一种基于生成对抗网络的双频指数预测方法及系统。
6.第一方面，本技术提供了一种基于生成对抗网络的双频指数预测方法，采用如下的技术方案：
7.一种基于生成对抗网络的双频指数预测方法，包括：
8.获取双频指数数据库；所述双频指数数据库包括用于对模型进行训练的训练数据集和用于对模型进行测试的测试数据集；
9.基于acgan结构，对acgan结构进行结构改进，以建立得到回归模型；
10.基于训练数据集，对回归模型进行训练，以得到训练后的回归模型；
11.基于训练后的回归模型对测试数据集进行计算，以得到误差数据；
12.基于内置的回归评估标准数据对误差数据进行评估，以判定训练后的回归模型对双频指数值的判断结果；
13.若误差数据小于回归评估标准数据，则对回归模型的网络深度进行判断，以确定最佳预测模型。
14.通过上述技术方案，通过获取双频指数数据库以作为模型建立的参考依据，将双频指数数据库中的数据划分成两个部分，用于对建立的模型进行训练的训练数据集，和用于对模型进行测试的测试数据集。对acgan模型的结构构造进行改进，使得改进后的模型能够对双频指数的预测更为贴合，即得到回归模型，同时根据训练数据集对建立好的回归模型进行训练，以提高回归模型对脑电信号的识别性能，在对训练后的回归模型进行测试数
据集检测，以判断出回归模型的预测效果，并输出误差数据，根据误差数据和内置的回归评估标准数据，进行回归模型预测结果评估，以判定训练后的回归模型能否对双频指数值进行精准预测，若误差数据小于回归评估标准数据，则判定为回归模型能够对双频指数值进行预测，并对回归模型的网络深度进行再判断，以确定回归模型的最佳网络深度，以得到最佳预测模型，通过对回归模型进行不同网络深度的计算，以减少对双频指数值的预测的误差数据，提高预测的准确性。。
15.优选的，将回归器取代原始acgan结构中的辅助分类器，以对带标签的数据进行处理和回归；
16.所述回归器模型在时域或频域进行同时训练中包括两个生成器、两个判别器和两个回归器；所述回归器与所述判别器的其他网络层相同，而全连接层上的激活函数不同；
17.将sigmoid函数作为判别器中输出层的分类函数；tanh函数作为生成器的输出层激活函数；relu函数作为回归器的输出层函数。
18.通过上述技术方案，在原始acgan结构上进行改进，以使得改进后的结构类型更贴合对双频指数值的预测。将回归器取代原本结构中的辅助分类器，以便于对带标签的数据进行处理并可对处理的数据进行回归操作，以确定双频指数值。同时采用sigmoid函数可将实际数字范围映射到(0,1)区间，以便于进行分类操作，即判断数据的真假，采用tanh函数能够使得数据的收敛速度加快，以减少迭代次数，从而减少计算量，提高了运行效率；采用relu函数则可以将所有的负值变成0，而正值不变，从而减少了计算量，进一步提高运行效率，同时使得回归模型的收敛更为稳定。
19.优选的，获取脑电数据并对脑电数据进行预处理，以得到脑电的时域数据；
20.根据时域数据，对时域数据进行傅里叶变换，以得到对应的频域数据；
21.将时域数据和频域数据输送至回归模型，以得到时域特征数据和频域特征数据；
22.通过采用卷积神经网络将时域特征数据和频域特征数据进行直接拼接，以得到对应的双频指数值；
23.所述将时域特征数据和频域特征数据进行直接拼接，具体包括：
24.将生成器输入的时域数据和频域数据进行相同维度设置，以及相同结构参数设置，以得到相同维度的时域特征数据和频域特征数据；
25.对相同维度的时域特征数据和频域特征数据进行直接拼接。
26.通过上述技术方案，在对回归模型建立过程中，根据对acgan结构上的改变，同时对其算法进行确认，通过对脑电数据进行分析处理，以判断出脑电数据对应的时域数据，再将时域数据进行傅里叶变换，以得到相对应的频域数据，在根据回归模型对时域数据和频域数据进行特征提取，以得到时域特征数据和频域特征数据，再通过卷积神经网络对时域特征数据和频域特征数据进行拼接，以得到对应的双频指数值。其中，拼接过程为将生成器的输入时域数据和频域数据进行相同维度设置，同时将对时域数据进行分析的生成器和对频域数据进行分析的生成器进行相同结构参数的设置，使得时域特征数据与频域特征数据的结构维度相同，从而使得不同特征数据能够直接进行拼接，同时通过对不同域下的特征数据进行拼接，使得同域下的回归结果更为直观，且能够将双域下的结果与单独域下的结果进行对比分析，使得对能否对双频网络进行预测具有明确判断，进而提高了判断的准确性。
27.优选的，采用不同的训练策略和非线性激活函数对回归模型进行建立；
28.基于相似于acgan结构的训练模式将回归器的损失参与到生成对抗训练中；
29.将relu函数作为卷积层的激活函数，以及对数据进行额定数量归一化处理。
30.通过上述技术方案，通过采用不同的训练策略和非线性激活函数对回归模型进行建立，使得回归模型能够应对多种不同情况的发生，以提高回归模型对脑电信号的识别性能，提高识别精确性。同时通过将回归器的损失也参与到生成对抗训练中，从而降低回归模型的平均误差，提高准确性，通过将relu函数作为卷积层的激活函数，使得模型的收敛的稳定性加以提高，同时对数据进行额定数量归一化处理，以使得防止对数据进行过渡拟合，提高了数据的完整性，进而使得分析得到的数据能够更为准确。
31.优选的，输入时域训练数据集和预设训练次数；
32.构建时域和频域的gan生成器神经网络，时域和频域结合构建判别器神经网络和回归神经网络；
33.将时域训练数据集进行傅里叶变换以得到频域训练数据集；
34.对回归模型进行训练，当训练次数大于预设训练次数时，停止训练，并输出训练结果模型。
35.通过上述技术方案，通过对回归模型中进行数据内置，时域训练数据集，用于对时域数据进行分析，以分析得到频域数据，输入预设训练次数，以确定对回归模型的训练是否达到指定次数，以保证训练结果能够达到指定效果，同时构建时域和频域的gan生成器神经网络、时域和频域结合构建判别器神经网络和回归神经网络，再将时域训练数据集进行傅里叶变换将时域训练数据集转换成频域训练数据集，最后将时域训练数据集和转换后的频域训练数据集输入至回归模型，同时对回归模型的训练次数进行判断，以使得对回归模型的训练达到指定次数，以保障对回归模型进行检测时的测试结果具有准确性和参考性，进而减少测试误差，提高了输出结果的可信度。
36.优选的，对判别器神经网络和回归神经网络进行训练；
37.输入额定数量和优化器超参数，并获取batch size数量的时域训练数据和频域训练数据；
38.根据时域的gan生成器神经网络和频域的gan生成器神经网络，对应生成额定数量的时域噪声和频域噪声；
39.基于优化器超参数对adam优化器进行设定，以训练更新时域和频域的判别器神经网络和回归神经网络的神经网络模型参数，以得到模型损失数据。
40.优选的，对gan生产器进行训练；
41.将时域噪声、频域噪声以及判别器与回归器的模型损失数据分别输入至时域的gan生成器神经网络和频域的gan生成器神经网络；
42.根据adam优化器对gan生成器模型进行训练和更新。
43.通过上述技术方案，在对gan生成器进行训练过程中，将时域噪声和频域噪声以及回归器的模型损失数据输入至时域的gan生成器神经网络和频域的gan生成器神经网络，并根据优化器超参数对adam优化器进行设定并对gan生成器模型进行训练和更新。在此训练过程中，使得gan生成器对噪声的生成更为准确、有效，同时经过反馈至判别器升级网络和回归器神经网络，使得得到的模型损失数据误差更小，从而使得，回归神经网络判断得到的
双频指数值更为准确。
44.优选的，当误差数据小于回归评估标准数据，则判定训练后的回归模型能够对双频指数值进行判断，并对回归模型的深度进行判断，以确定最佳预测模型；
45.对回归模型进行不同网络深度的误差数据计算，以得到对应的深度误差数据；
46.将深度误差数据进行比较，以得到不同深度的深度误差数据之间的差值数据，并对差值数据进行比较；
47.若存在差值数据小于预设差值，则将对应的差值数据对应的网络深度进行读取，以得到最佳网络深度，并将最佳网络深度作为回归模型的最佳网络深度，以得到最佳预测模型。
48.通过上述技术方案，通过当得到的误差数据小于设定好的回归评估标准数据时，则表明训练后的回归模型已经能够对双频指数值进行预测，则需要对预测精度提高，故需要对回归模型的网络深度进行判断，以减少误差数据的大小，从而提高预测精度和准确性。然而由于网络深度越深，对应的误差数据越小，而同样对应的数据复杂度和数据参数越多，对设备的需求越高，故需要对网络深度进行选取。
49.对回归模型进行不同网络深度的误差数据计算，以得到对应深度的误差数据，即深度误差数据，将相邻的两个深度的深度误差数据进行比较，以得到不同深度的深度误差数据之间的差值数据，并进行比较，若差值数据小于预设差值，则判断该差值数据对应的网络深度对应的双频指数值预测的精度已满足需求，且数据复杂度和设备需求较低，则对应选取差值数据对应的两个网络深度的深度数据，并将两个网络深度数据中深度较小的对应的网络深度作为回归模型的网络深度，即增加了回归模型对双频指数值预测的精确性，又使得对设备的需求和数据的复杂度较小，增加了双频指数值预测的可行性。
50.第二方面，本技术提供了一种基于生成对抗网络的双频指数预测系统，采用如下的技术方案：
51.一种基于生成对抗网络的双频指数预测系统，包括：
52.数据获取模块，用于获取双频指数数据库；所述双频指数数据库包括用于对模型进行训练的训练数据集和用于对模型进行测试的测试数据集；
53.回归模型建立模块，用于获取acgan结构，并对acgan结构进行改进，以建立回归模型；
54.回归模型训练模块，配置为与所述数据获取模块和所述回归模型建立模块信号连接，用于接收所述训练数据集和所述回归模型，将所述训练数据集输入至所述回归模型中，并对所述回归模型进行训练，以得到训练后的训练结果模型；
55.模型测试模块，内置有回归评估标准数据和预设差值，配置为与所述回归模型训练模块和所述数据获取模块信号连接，用于接收所述训练结果模型和所述测试数据集，将测试数据集输入至所述训练结果模型，以得到误差数据；将误差数据与回归评估标准数据进行比对，若误差数据处于回归评估标准数据内，则判定训练结果模型能够对双频指数值进行预测；同时对所述训练结果模型进行不同网络深度的误差数据计算，以得到深度误差数据，将不同深度的深度误差数据进行差值计算，以得到差值数据，并将差值数据与预设差值进行比较，以判断出最佳网络深度，并根据最佳网络深度确定最佳预测模型。
56.优选的，所述回归模型建立模块包括生成器、判别器和回归器，所述回归器与所述
判别器的其他网络层相同，而全连接层上的激活函数不同；
57.所述生成器与所述数据获取模块信号连接，用于接收所述双频指数数据库，并对所述双频指数数据库中的数据进行时域分析和频域分析，以得到误差数据；所述在对双频数据进行频域分析时，需先将所述双频数据进行快速傅里叶变换，以得到对应的频域数据，在对频域数据进行频域分析；
58.所述判别器与所述数据获取模块信号连接，用于接收所述双频指数数据库，并对所述双频指数数据进行快速傅里叶变换，以得到频域数据，将时域数据和频域数据进行数据分析，以判断数据真假，并输出对应的判别数据；
59.所述回归器与所述生成器和所述判别器信号连接，用于接收所述误差数据和所述判别数据，并分析，以得到建立对应的回归模型。
60.综上所述，本技术包括以下至少一种有益技术效果：
61.1.通过获取双频指数数据库以作为模型建立的参考依据，将双频指数数据库中的数据划分成两个部分，用于对建立的模型进行训练的训练数据集，和用于对模型进行测试的测试数据集。对acgan模型的结构构造进行改进，使得改进后的模型能够对双频指数的预测更为贴合，即得到回归模型，同时根据训练数据集对建立好的回归模型进行训练，以提高回归模型对脑电信号的识别性能，在对训练后的回归模型进行测试数据集检测，以判断出回归模型的预测效果，并输出误差数据，根据误差数据和内置的回归评估标准数据，进行回归模型预测结果评估，以判定训练后的回归模型能否对双频指数值进行精准预测，若误差数据小于回归评估标准数据，则判定为回归模型能够对双频指数值进行预测，并对回归模型的网络深度进行再判断，以确定回归模型的最佳网络深度，以得到最佳预测模型，通过对回归模型进行不同网络深度的计算，以减少对双频指数值的预测的误差数据，提高预测的准确性。；
62.2.借助对误差数据的判断以确定建立的回归数据对双频指数值进行预测的可行性，若可行，则需要对回归模型的网络深度进行判断，以减少误差数据的大小，从而提高预测精度和准确性。然而由于网络深度越深，对应的误差数据越小，而同样对应的数据复杂度和数据参数越多，对设备的需求越高，故需要对网络深度进行选取；对回归模型进行不同网络深度的误差数据计算，以得到对应深度的误差数据，即深度误差数据，将相邻的两个深度的深度误差数据进行比较，以得到不同深度的深度误差数据之间的差值数据，并进行比较，若差值数据小于预设差值，则判断该差值数据对应的网络深度对应的双频指数值预测的精度已满足需求，且数据复杂度和设备需求较低，则对应选取差值数据对应的两个网络深度的深度数据，并将两个网络深度数据中深度较小的对应的网络深度作为回归模型的网络深度，即增加了回归模型对双频指数值预测的精确性，又使得对设备的需求和数据的复杂度较小，增加了双频指数值预测的可行性；
63.3.综合利用不同的训练策略和非线性激活函数对回归模型进行建立，使得回归模型能够应对多种不同情况的发生，以提高回归模型对脑电信号的识别性能，提高识别精确性。同时通过将回归器的损失也参与到生成对抗训练中，从而降低回归模型的平均误差，提高准确性，通过将relu函数作为卷积层的激活函数，使得模型的收敛的稳定性加以提高，同时对数据进行额定数量归一化处理，以使得防止对数据进行过渡拟合，提高了数据的完整性，进而使得分析得到的数据能够更为准确。
附图说明
64.图1为本实施例主要体现基于生成对抗网络的双频指数预测方法的步骤流程图；
65.图2为本实施例主要体现基于生成对抗网络的双频指数预测方法中对acgan进行结构改进的步骤流程图；
66.图3为本实施例主要体现基于生成对抗网络的双频指数预测方法中回归模型对数据处理的步骤流程图；
67.图4为本实施例主要体现基于生成对抗网络的双频指数预测方法中对回归模型的运行形式的步骤流程图；
68.图5为本实施例主要体现基于生成对抗网络的双频指数预测方法中s300的子步骤流程图；
69.图6为本实施例主要体现基于生成对抗网络的双频指数预测方法中s3400的子步骤流程图；
70.图7为本实施例主要体现基于生成对抗网络的双频指数预测方法中s600的子步骤流程图；
71.图8为本实施例主要体现基于生成对抗网络的双频指数预测系统的模块框图。
72.附图标记：1、数据获取模块；2、回归模型建立模块；21、生成器；22、判别器；23、回归器；3、回归模型训练模块；4、模型测试模块。
具体实施方式
73.以下结合附图1-8对本技术作进一步详细说明。
74.本技术实施例公开了一种基于生成对抗网络的双频指数预测方法及系统。
75.实施例：如图1所示，本发明一种基于生成对抗网络的双频指数预测方法，包括：
76.s100，获取双频指数数据库；所述双频指数数据库包括用于对模型进行训练的训练数据集和用于对模型进行测试的测试数据集；
77.s200，基于acgan结构，对acgan结构进行结构改进，以建立得到回归模型；
78.s300，基于训练数据集，对回归模型进行训练，以得到训练后的回归模型；
79.s400，基于训练后的回归模型对测试数据集进行计算，以得到误差数据；
80.s500，基于内置的回归评估标准数据对误差数据进行评估，以判定训练后的回归模型对双频指数值的判断结果；
81.s600，若误差数据小于回归评估标准数据，则对回归模型的网络深度进行判断，以确定最佳预测模型。
82.本实施例上，通过获取双频指数数据库以作为模型建立的参考依据，将双频指数数据库中的数据划分成两个部分，用于对建立的模型进行训练的训练数据集，和用于对模型进行测试的测试数据集。对acgan模型的结构构造进行改进，使得改进后的模型能够对双频指数的预测更为贴合，即得到回归模型，同时根据训练数据集对建立好的回归模型进行训练，以提高回归模型对脑电信号的识别性能，在对训练后的回归模型进行测试数据集检测，以判断出回归模型的预测效果，并输出误差数据，根据误差数据和内置的回归评估标准数据，进行回归模型预测结果评估，以判定训练后的回归模型能否对双频指数值进行精准预测，若误差数据小于回归评估标准数据，则判定为回归模型能够对双频指数值进行预测，
并对回归模型的网络深度进行再判断，以确定回归模型的最佳网络深度，以得到最佳预测模型，通过对回归模型进行不同网络深度的计算，以减少对双频指数值的预测的误差数据，提高预测的准确性。
83.参考图2，步骤s200中，基于acgan结构，对acgan结构进行结构改进，以建立得到回归模型，包括以下步骤：
84.s211，将回归器23取代原始acgan结构中的辅助分类器，以对带标签的数据进行处理和回归；
85.s212，所述回归器23模型在时域或频域进行同时训练中包括两个生成器21、两个判别器22和两个回归器23；所述回归器23与所述判别器22的其他网络层相同，而全连接层上的激活函数不同；
86.s213，将sigmoid函数作为判别器22中输出层的分类函数；tanh函数作为生成器21的输出层激活函数；relu函数作为回归器23的输出层函数。
87.本实施例中，在原始acgan结构上进行改进，以使得改进后的结构类型更贴合对双频指数值的预测。将回归器23取代原本结构中的辅助分类器，以便于对带标签的数据进行处理并可对处理的数据进行回归操作，以确定双频指数值。同时采用sigmoid函数可将实际数字范围映射到(0,1)区间，以便于进行分类操作，即判断数据的真假，采用tanh函数能够使得数据的收敛速度加快，以减少迭代次数，从而减少计算量，提高了运行效率；采用relu函数则可以将所有的负值变成0，而正值不变，从而减少了计算量，进一步提高运行效率，同时使得回归模型的收敛更为稳定。
88.参考图3，步骤s200中，基于acgan结构，对acgan结构进行结构改进，以建立得到回归模型，包括以下步骤：
89.s221，获取脑电数据并对脑电数据进行预处理，以得到脑电的时域数据；
90.s222，根据时域数据，对时域数据进行傅里叶变换，以得到对应的频域数据；通过将脑电数据看为一个整体，并做快速傅里叶变换，以得到完整的频域数据。数据的完整性有利于神经网络对特征的精确提取，从而达到更好的回归效果。
91.s223，将时域数据和频域数据输送至回归模型，以得到时域特征数据和频域特征数据；
92.s224，通过采用卷积神经网络将时域特征数据和频域特征数据进行直接拼接，以得到对应的双频指数值；
93.所述将时域特征数据和频域特征数据进行直接拼接，具体包括：
94.s2231，将生成器21输入的时域数据和频域数据进行相同维度设置，以及相同结构参数设置，以得到相同维度的时域特征数据和频域特征数据；
95.s2232，对相同维度的时域特征数据和频域特征数据进行直接拼接。
96.本实施例中，在对回归模型建立过程中，根据对acgan结构上的改变，同时对其算法进行确认，通过对脑电数据进行分析处理，以判断出脑电数据对应的时域数据，再将时域数据进行傅里叶变换，以得到相对应的频域数据，在根据回归模型对时域数据和频域数据进行特征提取，以得到时域特征数据和频域特征数据，再通过卷积神经网络对时域特征数据和频域特征数据进行拼接，以得到对应的双频指数值。其中，拼接过程为将生成器21的输入时域数据和频域数据进行相同维度设置，同时将对时域数据进行分析的生成器21和对频
域数据进行分析的生成器21进行相同结构参数的设置，使得时域特征数据与频域特征数据的结构维度相同，从而使得不同特征数据能够直接进行拼接，同时通过对不同域下的特征数据进行拼接，使得同域下的回归结果更为直观，且能够将双域下的结果与单独域下的结果进行对比分析，使得对能否对双频网络进行预测具有明确判断，进而提高了判断的准确性。
97.参考图4，步骤s200中，基于acgan结构，对acgan结构进行结构改进，以建立得到回归模型，包括以下步骤：
98.s231，采用不同的训练策略和非线性激活函数对回归模型进行建立；
99.s232，基于相似于acgan结构的训练模式将回归器23的损失参与到生成对抗训练中；
100.s233，将relu函数作为卷积层的激活函数，以及对数据进行额定数量归一化处理。
101.本实施例中，通过采用不同的训练策略和非线性激活函数对回归模型进行建立，使得回归模型能够应对多种不同情况的发生，以提高回归模型对脑电信号的识别性能，提高识别精确性。同时通过将回归器23的损失也参与到生成对抗训练中，从而降低回归模型的平均误差，提高准确性，通过将relu函数作为卷积层的激活函数，使得模型的收敛的稳定性加以提高，同时对数据进行额定数量归一化处理，以使得防止对数据进行过渡拟合，提高了数据的完整性，进而使得分析得到的数据能够更为准确。
102.参考图5，步骤s300中，基于训练数据集，对回归模型进行训练，以得到训练后的回归模型，包括以下步骤：
103.s310，输入时域训练数据集和预设训练次数；
104.s320，构建时域和频域的gan生成器21神经网络、时域和频域结合构建判别器22神经网络和回归神经网络；
105.s330，将时域训练数据集进行傅里叶变换以得到频域训练数据集；
106.s340，对回归模型进行训练，当训练次数大于预设训练次数时，停止训练，并输出训练结果模型。
107.本实施例中，通过对回归模型中进行数据内置，时域训练数据集，用于对时域数据进行分析，以分析得到频域数据，输入预设训练次数，以确定对回归模型的训练是否达到指定次数，以保证训练结果能够达到指定效果，同时构建时域和频域的gan生成器21神经网络、时域和频域结合构建判别器22神经网络和回归神经网络，再将时域训练数据集进行傅里叶变换将时域训练数据集转换成频域训练数据集，最后将时域训练数据集和转换后的频域训练数据集输入至回归模型，同时对回归模型的训练次数进行判断，以使得对回归模型的训练达到指定次数，以保障对回归模型进行检测时的测试结果具有准确性和参考性，进而减少测试误差，提高了输出结果的可信度。
108.参考图6，步骤s340中，对回归模型进行训练，当训练次数大于预设训练次数时，停止训练，并输出训练结果模型，包括以下步骤：
109.s341，对判别器22神经网络和回归神经网络进行训练；
110.s342，输入额定数量和优化器超参数，并获取batch size数量的时域训练数据和频域训练数据；
111.s343，根据时域的gan生成器21神经网络和频域的gan生成器21神经网络，对应生
成额定数量的时域噪声和频域噪声；
112.s344，基于优化器超参数对adam优化器进行设定，以训练更新时域和频域的判别器22神经网络和回归神经网络的神经网络模型参数，以得到模型损失数据。
113.s345，对gan生产器进行训练；
114.s346，将时域噪声、频域噪声以及判别器22与回归器23的模型损失数据分别输入至时域的gan生成器21神经网络和频域的gan生成器21神经网络；
115.s347，根据adam优化器对gan生成器21模型进行训练和更新。
116.本实施例中，分别对判别器22神经网络和回归神经网络进行训练，以及gan生成器21进行训练，以使得训练后的回归模型更为成熟，计算结果更为准确。在对判别器22神经网络和回归神经网络训练过程中，通过获得batch size数量的时域训练数据和频域训练数据，并根据时域和频域的生成器21神经网络进行对应数量的时域噪声生成和频域噪声生成，同时根据优化器超参数对adam优化器进行设定并对时域和频域的判别器22神经网络和回归神经网络的神经网络模型参数进行更新，以得到模型损失数据。
117.在对gan生成器21进行训练过程中，将时域噪声和频域噪声以及回归器23的模型损失数据输入至时域的gan生成器21神经网络和频域的gan生成器21神经网络，并根据优化器超参数对adam优化器进行设定并对gan生成器21模型进行训练和更新。在此训练过程中，使得gan生成器21对噪声的生成更为准确、有效，同时经过反馈至判别器22升级网络和回归器23神经网络，使得得到的模型损失数据误差更小，从而使得，回归神经网络判断得到的双频指数值更为准确。
118.参考图7，步骤s600中，若误差数据小于回归评估标准数据，则对回归模型的网络深度进行判断，以确定最佳预测模型，包括以下步骤：
119.s610，当误差数据小于回归评估标准数据，则判定训练后的回归模型能够对双频指数值进行判断，并对回归模型的深度进行判断，以确定最佳预测模型；
120.s620，对回归模型进行不同网络深度的误差数据计算，以得到对应的深度误差数据；
121.s630，将深度误差数据进行比较，以得到不同深度的深度误差数据之间的差值数据，并对差值数据进行比较；
122.s640，若存在差值数据小于预设差值，则将对应的差值数据对应的网络深度进行读取，以得到最佳网络深度，并将最佳网络深度作为回归模型的最佳网络深度，以得到最佳预测模型。
123.本实施例中，通过当得到的误差数据小于设定好的回归评估标准数据时，则表明训练后的回归模型已经能够对双频指数值进行预测，则需要对预测精度提高，故需要对回归模型的网络深度进行判断，以减少误差数据的大小，从而提高预测精度和准确性。然而由于网络深度越深，对应的误差数据越小，而同样对应的数据复杂度和数据参数越多，对设备的需求越高，故需要对网络深度进行选取。
124.对回归模型进行不同网络深度的误差数据计算，以得到对应深度的误差数据，即深度误差数据，将相邻的两个深度的深度误差数据进行比较，以得到不同深度的深度误差数据之间的差值数据，并进行比较，若差值数据小于预设差值，则判断该差值数据对应的网络深度对应的双频指数值预测的精度已满足需求，且数据复杂度和设备需求较低，则对应
选取差值数据对应的两个网络深度的深度数据，并将两个网络深度数据中深度较小的对应的网络深度作为回归模型的网络深度，即增加了回归模型对双频指数值预测的精确性，又使得对设备的需求和数据的复杂度较小，增加了双频指数值预测的可行性。
125.基于上述基于生成对抗网络的双频指数预测方法实施例的描述，本发明实施例还公开了一种基于生成对抗网络的双频指数预测系统：
126.如图8所示，一种基于生成对抗网络的双频指数预测系统，包括：数据获取模块1、回归模型建立模块2、回归模型训练模块3和模型测试模块4。
127.数据获取模块1，用于获取双频指数数据库，其中，双频指数数据库包括用于对模型进行训练的训练数据集和用于对模型进行测试的测试数据集；
128.回归模型建立模块2包括生成器21、判别器22和回归器23，其中，回归器23与判别器22的其他网络层相同，而全连接层上的激活函数不同；
129.生成器21与数据获取模块1信号连接，用于接收双频指数数据库，并对双频指数数据库中的数据进行时域分析和频域分析，以得到误差数据；在对双频数据进行频域分析时，需先将双频数据进行快速傅里叶变换，以得到对应的频域数据，在对频域数据进行频域分析；
130.判别器22与数据获取模块1信号连接，用于接收双频指数数据库进行快速傅里叶变换，以得到频域数据，将时域数据和频域数据进行数据分析，以判断数据真假，并输出对应的判别数据；
131.回归器23与生成器21和判别器22信号连接，用于接收误差数据和判别数据，并分析，以得到建立对应的回归模型。
132.回归模型训练模块3与数据获取模块1和回归模型建立模块2信号连接，用于接收训练数据集和回归模型，将训练数据集输入至回归模型中，并对回归模型进行训练，以得到训练后的训练结果模型；
133.模型测试模块4内置有回归评估标准数据和预设差值，模型测试模块4与回归模型训练模块3和数据获取模块1信号连接，用于接收训练结果模型和测试数据集，将测试数据集输入至训练结果模型，以得到误差数据；将误差数据与回归评估标准数据进行比对，若误差数据处于回归评估标准数据内，则判定训练结果模型能够对双频指数值进行预测；同时对训练结果模型进行不同网络深度的误差数据计算，以得到深度误差数据，将不同深度的深度误差数据进行差值计算，以得到差值数据，并将差值数据与预设差值进行比较，以判断出最佳网络深度，并根据最佳网络深度确定最佳预测模型。
134.相比较于现有的基于生成对抗网络的双频指数预测方法及系统，本发明提高了对双频指数预测的精确性。
135.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。

技术特征：
1.一种基于生成对抗网络的双频指数预测方法，其特征在于，包括：获取双频指数数据库；所述双频指数数据库包括用于对模型进行训练的训练数据集和用于对模型进行测试的测试数据集；基于acgan结构，对acgan结构进行结构改进，以建立得到回归模型；基于训练数据集，对回归模型进行训练，以得到训练后的回归模型；基于训练后的回归模型对测试数据集进行计算，以得到误差数据；基于内置的回归评估标准数据对误差数据进行评估，以判定训练后的回归模型对双频指数值的判断结果；若误差数据小于回归评估标准数据，则对回归模型的网络深度进行判断，以确定最佳预测模型。2.根据权利要求1所述的一种基于生成对抗网络的双频指数预测方法，其特征在于：所述的基于acgan结构，对acgan结构进行结构改进，以建立得到回归模型的步骤，具体包括：将回归器(23)取代原始acgan结构中的辅助分类器，以对带标签的数据进行处理和回归；所述回归器(23)模型在时域或频域进行同时训练中包括两个生成器(21)、两个判别器(22)和两个回归器(23)；所述回归器(23)与所述判别器(22)的其他网络层相同，而全连接层上的激活函数不同；将sigmoid函数作为判别器(22)中输出层的分类函数；tanh函数作为生成器(21)的输出层激活函数；relu函数作为回归器(23)的输出层函数。3.根据权利要求2所述的一种基于生成对抗网络的双频指数预测方法，其特征在于：所述的基于acgan结构，对acgan结构进行结构改进，以建立得到回归模型的步骤，还包括：获取脑电数据并对脑电数据进行预处理，以得到脑电的时域数据；根据时域数据，对时域数据进行傅里叶变换，以得到对应的频域数据；将时域数据和频域数据输送至回归模型，以得到时域特征数据和频域特征数据；通过采用卷积神经网络将时域特征数据和频域特征数据进行直接拼接，以得到对应的双频指数值；所述将时域特征数据和频域特征数据进行直接拼接，具体包括：将生成器(21)输入的时域数据和频域数据进行相同维度设置，以及相同结构参数设置，以得到相同维度的时域特征数据和频域特征数据；对相同维度的时域特征数据和频域特征数据进行直接拼接。4.根据权利要求3所述的一种基于生成对抗网络的双频指数预测方法，其特征在于：所述的基于acgan结构，对acgan结构进行结构改进，以建立得到回归模型的步骤，还包括：采用不同的训练策略和非线性激活函数对回归模型进行建立；基于相似于acgan结构的训练模式将回归器(23)的损失参与到生成对抗训练中；将relu函数作为卷积层的激活函数，以及对数据进行额定数量归一化处理。5.根据权利要求1所述的一种基于生成对抗网络的双频指数预测方法，其特征在于：所述的基于训练数据集，对回归模型进行训练，以得到训练后的回归模型的步骤，具体包括：输入时域训练数据集和预设训练次数；构建时域和频域的gan生成器(21)神经网络，时域和频域结合构建判别器(22)神经网
络和回归神经网络；将时域训练数据集进行傅里叶变换以得到频域训练数据集；对回归模型进行训练，当训练次数大于预设训练次数时，停止训练，并输出训练结果模型。6.根据权利要求5所述的一种基于生成对抗网络的双频指数预测方法，其特征在于：所述的对回归模型进行训练，当训练次数大于预设训练次数时，停止训练，并输出训练结果模型的步骤，具体包括：对判别器(22)神经网络和回归神经网络进行训练；输入额定数量和优化器超参数，并获取batch size数量的时域训练数据和频域训练数据；根据时域的gan生成器(21)神经网络和频域的gan生成器(21)神经网络，对应生成额定数量的时域噪声和频域噪声；基于优化器超参数对adam优化器进行设定，以训练更新时域和频域的判别器(22)神经网络和回归神经网络的神经网络模型参数，以得到模型损失数据。7.根据权利要求6所述的一种基于生成对抗网络的双频指数预测方法，其特征在于：所述的对回归模型进行训练，当训练次数大于预设训练次数时，停止训练，并输出训练结果模型的步骤，还包括：对gan生产器进行训练；将时域噪声、频域噪声以及判别器(22)与回归器(23)的模型损失数据分别输入至时域的gan生成器(21)神经网络和频域的gan生成器(21)神经网络；根据adam优化器对gan生成器(21)模型进行训练和更新。8.根据权利要求1所述的一种基于生成对抗网络的双频指数预测方法，其特征在于：所述的若误差数据小于回归评估标准数据，则对回归模型的网络深度进行判断，以确定最佳预测模型的步骤，具体包括：当误差数据小于回归评估标准数据，则判定训练后的回归模型能够对双频指数值进行判断，并对回归模型的深度进行判断，以确定最佳预测模型；对回归模型进行不同网络深度的误差数据计算，以得到对应的深度误差数据；将深度误差数据进行比较，以得到不同深度的深度误差数据之间的差值数据，并对差值数据进行比较；若存在差值数据小于预设差值，则将对应的差值数据对应的网络深度进行读取，以得到最佳网络深度，并将最佳网络深度作为回归模型的最佳网络深度，以得到最佳预测模型。9.一种基于生成对抗网络的双频指数预测系统，其特征在于：包括：数据获取模块(1)，用于获取双频指数数据库；所述双频指数数据库包括用于对模型进行训练的训练数据集和用于对模型进行测试的测试数据集；回归模型建立模块(2)，用于获取acgan结构，并对acgan结构进行改进，以建立回归模型；回归模型训练模块(3)，配置为与所述数据获取模块(1)和所述回归模型建立模块(2)信号连接，用于接收所述训练数据集和所述回归模型，将所述训练数据集输入至所述回归模型中，并对所述回归模型进行训练，以得到训练后的训练结果模型；
模型测试模块(4)，内置有回归评估标准数据和预设差值，配置为与所述回归模型训练模块(3)和所述数据获取模块(1)信号连接，用于接收所述训练结果模型和所述测试数据集，将测试数据集输入至所述训练结果模型，以得到误差数据；将误差数据与回归评估标准数据进行比对，若误差数据处于回归评估标准数据内，则判定训练结果模型能够对双频指数值进行预测；同时对所述训练结果模型进行不同网络深度的误差数据计算，以得到深度误差数据，将不同深度的深度误差数据进行差值计算，以得到差值数据，并将差值数据与预设差值进行比较，以判断出最佳网络深度，并根据最佳网络深度确定最佳预测模型。10.根据权利要求1所述的一种基于生成对抗网络的双频指数预测方法，其特征在于：所述回归模型建立模块(2)包括生成器(21)、判别器(22)和回归器(23)，所述回归器(23)与所述判别器(22)的其他网络层相同，而全连接层上的激活函数不同；所述生成器(21)与所述数据获取模块(1)信号连接，用于接收所述双频指数数据库，并对所述双频指数数据库中的数据进行时域分析和频域分析，以得到误差数据；在对双频数据进行频域分析时，需先将所述双频数据进行快速傅里叶变换，以得到对应的频域数据，在对频域数据进行频域分析；所述判别器(22)与所述数据获取模块(1)信号连接，用于接收所述双频指数数据库，并对所述双频指数数据进行快速傅里叶变换，以得到频域数据，将时域数据和频域数据进行数据分析，以判断数据真假，并输出对应的判别数据；所述回归器(23)与所述生成器(21)和所述判别器(22)信号连接，用于接收所述误差数据和所述判别数据，并分析，以得到建立对应的回归模型。

技术总结
本申请公开了一种基于生成对抗网络的双频指数预测方法及系统，包括获取双频指数数据库；所述双频指数数据库包括用于对模型进行训练的训练数据集和用于对模型进行测试的测试数据集；基于ACGAN结构，对ACGAN结构进行结构改进，以建立得到回归模型；基于训练数据集，对回归模型进行训练，以得到训练后的回归模型；基于训练后的回归模型对测试数据集进行计算，以得到误差数据；基于内置的回归评估标准数据对误差数据进行评估，以判定训练后的回归模型对双频指数值的判断结果；若误差数据小于回归评估标准数据，则对回归模型的网络深度进行判断，以确定最佳预测模型。本申请具有提高对双频指数预测的精确性的效果。频指数预测的精确性的效果。频指数预测的精确性的效果。


技术研发人员：李昱函
受保护的技术使用者：李昱函
技术研发日：2023.07.29
技术公布日：2023/10/20