深度信号处理：利用卷积神经网络测量距离

在信号处理中，有时需要测量信号某些特征（例如峰）之间的水平距离。 一个很好的例子就是解释心电图（ECG），这在很大程度上取决于测量距离。 我们将考虑下图中只有两个峰的平滑信号的一个样例。

解决这个问题很简单，可以通过找到峰值，然后减去它们的X坐标来测量它们之间的水平距离来解决。这可以通过使用可用的工具和库有效地完成。然而，我们的目标是训练一个神经网络来预测两个峰之间的距离。一旦我们证明了神经网络可以处理这一任务，我们就可以在更复杂的端到端学习任务中重用相同的架构，而测量距离只是学习更复杂关系的一种手段。这源于深度学习的理念，即我们应该尝试让神经网络学习特征，而不是让工程师手工编码特征并希望这些特征是最相关的。如果我们能证明神经网络可以学习距离特征，我们就可以在更复杂的网络中使用它，在这些网络中，最终结果将取决于距离以外的许多其他因素。这些任务的典型例子是解释心电图或天文数据。

生成数据

在我们的实验中，我们将使用生成训练和测试数据的生成器函数生成如上图所示的信号。

def get_signal_generator(batch_size, n_points, mean_distance, std_distance, mean_width, std_width): def generate_one(): first = np.random.uniform(0, n_points /4) second = first + np.random.normal(mean_distance * n_points, std_distance * n_points) if second > n_points * 0.95: second = n_points * 0.95 distance = second - first first_width = max(np.random.normal(mean_width * n_points, std_width * n_points), n_points * std_width) second_width = max(np.random.normal(mean_width * n_points, std_width * n_points), n_points * std_width) data_range = np.arange(n_points) signal = norm.pdf(data_range, first, first_width) + \ norm.pdf(data_range, second, second_width) return signal, distance def generate(): sanity=100000 for _ in range(sanity): all_data = [generate_one() for _ in range(batch_size)] yield np.vstack([element[0] for element in all_data]), np.vstack([element[1] for element in all_data]) return generate()

这是一个python生成器函数，意味着它使用yield关键字而不是return。 每次在生成器上调用next（）函数时，都会产生下一个结果。此功能生成正好具有两个峰值的信号。所有信号的长度完全相同。第一个峰值的位置均匀分布在信号的第一象限中，但是第二个峰值的位置呈正态分布，但是我们还要确保它不会超出范围。峰的宽度也呈正态分布。我们分批返回峰，这对神经网络的训练和评估很有用。

请注意，此生成器实际上会生成无限量的数据！ 因此，对于我们的示例可以尝试实现尽可能高的精度。

找到峰值

现在我们有了生成器函数，我们可以使用标准信号处理库来找到峰值之间的距离。我们将使用scipy库和函数find_peaks()来查找峰值。我们使用R2评分来评估模型。如下图所示，我们得到了近乎完美的分数，预测误差主要是由于数字舍入误差造成的。

def predict_distance(batch): def compute_distance(row): peaks = find_peaks(row)[0] if len(peaks) < 2: return 0 return abs(peaks[1] - peaks[0]) return np.vstack([compute_distance(batch[i,:]) for i in range(batch.shape[0])]) np.random.seed(2128506) data_generator = get_signal_generator(500, 1000, 0.7, 0.1, 0.03, 0.01) batch_x, batch_y = next(data_generator) predictions = predict_distance(batch_x) print('Baseline performance: ', r2_score(batch_y, predictions)) Baseline performance: 0.9999812121197582

使用CNN来测量距离

在设计神经网络时，想象一个人类操作员会做什么通常是很有用的。在我们的例子中，操作是测量，测量的工具是一把尺子。在我们的例子中，我们使用一个一维卷积层来模拟标尺，并将内核大小设置为信号的最大长度。这样做原因是，如果层的值从0,1,2,3,4，…当乘以信号，它将准确地给我们的位置的峰值。我们使用了两个滤波器来测量两个峰值的位置，然后添加两个全连接层，让神经网络学习如何获取这两个测量值之间的差异。

我们使用Tensorflow和Keras实现神经网络。 请注意，由于Conv1D需要三维张量，因此我们添加了一个Reshape图层，该图层添加了尺寸1的第三个尺寸。批量尺寸是隐式假定的。 对于卷积层，我们不使用任何激活函数，因为我们希望该层的行为类似于标尺。 注意，我们不使用任何下采样机制（最大池化或平均池化）。 我相信这些不是必需的，实际上会降低精度，因为它们会使测量变得不那么精确。 在将数据发送到Dense层之前，我们添加Flatten层以将尺寸（批处理尺寸除外）折叠为单个尺寸，因为这是Dense层所期望的。

model = Sequential([ Input(shape=(1000,)), Reshape((-1,1)), Conv1D(filters=2, kernel_size=1000, activation=None), Flatten(), Dense(16, activation='relu'), Dense(16, activation='relu'), Dense(1) ]) model.compile(optimizer=Adam(lr=0.7), loss='mse') model.summary()

结果如下:

Model: 'sequential_26' _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= reshape_26 (Reshape) (None, 1000, 1) 0 _________________________________________________________________ conv1d_33 (Conv1D) (None, 1, 2) 2002 _________________________________________________________________ flatten_25 (Flatten) (None, 2) 0 _________________________________________________________________ dense_63 (Dense) (None, 16) 48 _________________________________________________________________ dense_64 (Dense) (None, 16) 272 _________________________________________________________________ dense_65 (Dense) (None, 1) 17 ================================================================= Total params: 2,339 Trainable params: 2,339 Non-trainable params: 0 _________________________________________________________________

正如我们所看到的，这个模型只有2339个参数，所以它是一个非常简单的模型。我们在50个伦茨内训练模型，但是我们也添加了早期停止回调，以便在模型停止改进时停止执行。我们添加另一个回调函数TerminateOnNaN，如果梯度或损失变成NaN，它将停止训练过程。我们将一个生成器函数传递给fit()方法。这是现在推荐的将数据传递给模型的方法，特别是当数据量很大时。在我们的例子中，生成器不断地生成随机的例子，实际上是无限的例子!由于我们的生成器函数没有epoch的概念，我们需要定义一个参数stepsperepoch，否则模型将认为所有批次都属于第一个epoch，并且训练将永远不会结束。

np.random.seed(2128506)
tf.random.set_seed(2128506)
data_generator = get_signal_generator(500, 1000, 0.7, 0.1, 0.03, 0.01)
model.fit(data_generator, epochs=50, steps_per_epoch=100, callbacks=[EarlyStopping(monitor='loss'), TerminateOnNaN()])

训练过程如下：

Epoch 1/50 100/100 [==============================] - 16s 157ms/step - loss: 55010.6915 Epoch 2/50 100/100 [==============================] - 16s 161ms/step - loss: 186.3050 Epoch 3/50 100/100 [==============================] - 16s 160ms/step - loss: 89.9977 Epoch 4/50 100/100 [==============================] - 16s 159ms/step - loss: 229.8199

下面我们看一下结果：

time.sleep(1) batch_x, batch_y = next(data_generator) predictions = model.predict(batch_x) print('R^2 score: ', r2_score(batch_y, np.squeeze(predictions))) R^2 score: 0.996036173273703

在训练一个模型后，我们看到测试集的分数确实令人印象深刻。虽然我们承认进一步改进算法是可能的，但我们得到的结果证明了我们的简单方法确实有效。

总结

在设计一个神经网络时，想象人类的感知和认知是如何工作的往往是成功的关键。我们如何产生高层次的特征和概念通常能够指导我们进行神经网络的架构搭建。这种方法的示例之一是注意力机制，注意力机制是根据我们根据阅读的文本进行归纳总结时的注意力进行建模的。在这个问题中，代表了人类活动指导神经网络构建的另一个示例。 尽管使用CNN来测量距离（与Attention机制一样）本身并没有用，但是只要我们相信水平距离起作用，就可以将此结构并入更大的神经网络来解决更复杂的任务。

本文代码：
github/mlarionov/deep-signal-example/blob/main/two-peaks.ipynb

赞 (0)

相关推荐