基于循环生成对抗网络的生物信号生成与潜变量分析
机器学习
2023-03-03 v1 信号处理
机器学习
摘要
我们之前的论文证明了基于生成对抗网络（GAN，一种深度学习技术）的生物信号生成模型在生物信号生成与数据增强上的有效性。基于 GAN 的生成模型仅学习作为输入的随机分布与训练数据分布之间的映射。因此，输入与生成数据之间的关系不明确，且该模型生成数据的特点无法被控制。本研究提出一种基于 GAN 生成时间序列数据的方法，并探索其生成具有特定类别与特征的生物信号的能力。此外，在所提方法中，潜变量使用典型相关分析（CCA）进行分析，以典型载荷表示输入与生成数据之间的关系。利用这些载荷，我们可控制所提方法生成数据的特征。通过将两个类别标签之间插值得到的数据输入所提 GAN 的生成器，分析了类别标签对生成数据的影响。潜变量的 CCA 被证明是控制生成数据特征的有效方法。我们能够在无需领域依赖知识的情况下用所提方法对时间序列数据的分布建模。此外，通过分析用所提方法训练的模型，可控制这些数据的特点。据我们所知，这项工作是首个在控制生成数据特征的同时使用 GAN 生成生物信号的工作。
引用
@article{arxiv.1905.07136,
title = {Biosignal Generation and Latent Variable Analysis with Recurrent Generative Adversarial Networks},
author = {Shota Harada and Hideaki Hayashi and Seiichi Uchida},
journal= {arXiv preprint arXiv:1905.07136},
year = {2023}
}