受限于传感器制造工艺和材料限制，其动态性能往往成为多种电生理瞬态信号测试系统中最难以突破的带宽瓶颈。如何通过后期补偿方法突破带宽限制，实现对原始信号的高精度重建是测试领域需要解决的一个重要课题。
近期，伟德国际1946源自英国殷明教授团队联合长春理工大学研究团队报道了一种通过联合多对抗网络以实现数据增强及补偿的方法。伟德国际BETVLCTOR教师王啸作为第一作者在国际TOP期刊之一《Mechanical Systems and Signal Processing》(IF=8.934)上发表了”Sensor dynamic compensation method based on GAN and its application in shockwave measurement”为题的研究论文。
在多种瞬态电生理信号测试背景下，对传感器进行动态补偿是目前突破系统带宽限制最有效的手段。但是，如何仅基于少量样本，实现补偿模型的构建一直是难以突破的限制。同时，传统方法中，每个量程甚至每只传感器都需要独立训练以构建特有补偿模型，这将严重影响补偿方法的推广和实际应用。本研究中，基于两个改进生成对抗网络，首先实现了基于少量样本的数据增强，突破训练样本瓶颈；进而，不再针对传感器自身动态属性为补偿目标，而是调整为以提高网络对动态属性的辨识能力为补偿目标。以该目标训练形成的网络，具备依据不同属性，快速调整补偿参数的能力，可在极少量样本的情况下，修正网络实现对未知传感器的补偿。
图 1 (A)系统整体框图，原始少量数据经过SEGAN的增强，送入DCGAN实现辨识能力训练最终实现对传感器的补偿。(B)增强数据与原始样本动态参数分布关系图。(C)阶跃信号补偿前后对比图。
该研究不仅针对压力传感器进行了补偿，其核心在与模型求取目标由传感器动态属性向网络动态辨识能力的转变。不再围绕单一传感器建立补偿模型，而是围绕如何建立通用补偿模型而训练网络。从而实现了可基于少量样本训练的具备拓展能力的补偿网络构建，为推动补偿模型的实际应用提供了可能的途径。
原文链接：https://doi.org/10.1016/j.ymssp.2023.110157
海大BME