受限于傳感器制造工藝和材料限制，其動态性能往往成為多種電生理瞬态信号測試系統中最難以突破的帶寬瓶頸。如何通過後期補償方法突破帶寬限制，實現對原始信号的高精度重建是測試領域需要解決的一個重要課題。

近期，海南大學殷明教授團隊聯合長春理工大學研究團隊報道了一種通過聯合多對抗網絡以實現數據增強及補償的方法。365英国上市官网在线教師王嘯作為第一作者在國際TOP期刊之一《Mechanical Systems and Signal Processing》(IF=8.934)上發表了”Sensor dynamic compensation method based on GAN and its application in shockwave measurement”為題的研究論文。

在多種瞬态電生理信号測試背景下，對傳感器進行動态補償是目前突破系統帶寬限制最有效的手段。但是，如何僅基于少量樣本，實現補償模型的構建一直是難以突破的限制。同時，傳統方法中，每個量程甚至每隻傳感器都需要獨立訓練以構建特有補償模型，這将嚴重影響補償方法的推廣和實際應用。本研究中，基于兩個改進生成對抗網絡，首先實現了基于少量樣本的數據增強，突破訓練樣本瓶頸；進而，不再針對傳感器自身動态屬性為補償目标，而是調整為以提高網絡對動态屬性的辨識能力為補償目标。以該目标訓練形成的網絡，具備依據不同屬性，快速調整補償參數的能力，可在極少量樣本的情況下，修正網絡實現對未知傳感器的補償。

圖 1 (A)系統整體框圖，原始少量數據經過SEGAN的增強，送入DCGAN實現辨識能力訓練最終實現對傳感器的補償。(B)增強數據與原始樣本動态參數分布關系圖。(C)階躍信号補償前後對比圖。

該研究不僅針對壓力傳感器進行了補償，其核心在與模型求取目标由傳感器動态屬性向網絡動态辨識能力的轉變。不再圍繞單一傳感器建立補償模型，而是圍繞如何建立通用補償模型而訓練網絡。從而實現了可基于少量樣本訓練的具備拓展能力的補償網絡構建，為推動補償模型的實際應用提供了可能的途徑。

原文鍊接：https://doi.org/10.1016/j.ymssp.2023.110157