1D-CNN卷积神经网络数据增强实战：从原理到避坑指南

1次阅读

没有评论

共计 1483 个字符，预计需要花费 4 分钟才能阅读完成。

当用 1D-CNN 处理 ECG 心电信号或工业传感器数据时，最头疼的问题就是样本太少。医院的标注心电图可能只有几千条，而生产线上的故障数据更是稀少。这时候直接训练模型会出现：

模型记住训练集所有细节（过拟合）
对噪声和个体差异极度敏感
验证集指标波动大

数据增强通过人工扩展数据集，让模型看到更多 ” 可能性 ”。比如同一条 ECG 信号，我们可以：

加入微小的时间偏移（模拟不同人的心跳节奏）
添加设备噪声（模拟传感器误差）
随机缩放幅度（模拟电极接触差异）

原理：局部拉伸 / 压缩时间轴
适用场景 ：ECG、语音信号
风险点 ：过度扭曲会破坏 P -QRS- T 波形的临床意义

# 使用 Dynamic Time Warping 轻度变形
def time_warp(signal, warp_factor=0.1):
    """ 信号时间轴非线性变形
    Args:
        signal: (N,) 输入信号
        warp_factor: 扭曲强度
    Returns:
        warped: (N,) 变形后信号
    """
    ...

推荐噪声类型 ：
高斯噪声（模拟传感器误差）
工频干扰（50/60Hz）
运动伪影（EMG 噪声）

技巧：切片时保持关键特征完整
例：ECG 切片必须包含完整 QRS 波

import numpy as np
def augment_1d(signal: np.ndarray, 
               jitter_strength: float = 0.05,
               scale_range: tuple = (0.9, 1.1)) -> np.ndarray:
    """ 执行 jittering+scaling 增强

    Args:
        signal: 输入信号，形状 (N,)
        jitter_strength: 抖动幅度系数
        scale_range: 缩放倍数范围
    """
    # 幅度抖动
    jitter = np.random.normal(0, jitter_strength, size=signal.shape)
    # 随机缩放
    scale = np.random.uniform(*scale_range)
    return scale * (signal + jitter)

import tensorflow as tf

class TimeSeriesAugment(tf.keras.layers.Layer):
    def __init__(self, noise_stddev=0.1):
        super().__init__()
        self.noise_stddev = noise_stddev

    def call(self, inputs, training=None):
        if not training:
            return inputs

        # 训练时添加随机噪声
        noise = tf.random.normal(tf.shape(inputs), stddev=self.noise_stddev)
        return inputs + noise