[論文レビュー] A Generative Adversarial Approach To ECG Synthesis And Denoising

Karol Antczak|arXiv (Cornell University)|Sep 6, 2020

ECG Monitoring and Analysis参考文献 24被引用数 11

ひとこと要約

本稿では、実際の心電図（ECG）信号を合成し、それを用いてノイズ除去オートエンコーダーの性能を向上させるGANベースのフレームワークを提案する。実際のデータにGANで生成されたECGを追加して訓練することで、最先端のフィルタリング品質が達成され、事前に訓練された識別器からの転移学習によりさらに性能が向上する。

ABSTRACT

Generative Adversarial Networks (GAN) are known to produce synthetic data that are difficult to discern from real ones by humans. In this paper we present an approach to use GAN to produce realistically looking ECG signals. We utilize them to train and evaluate a denoising autoencoder that achieves state-of-the-art filtering quality for ECG signals. It is demonstrated that generated data improves the model performance compared to the model trained on real data only. We also investigate an effect of transfer learning by reusing trained discriminator network for denoising model.

研究の動機と目的

• 心電図処理におけるデータ拡張を目的として、生成対抗ネットワーク（GAN）を用いて現実的でリアルな心電図信号を生成すること。
• 実際の心電図データとGANで生成された心電図データの組み合わせで訓練することで、ノイズ除去オートエンコーダーの性能を向上させること。
• GANの事前に訓練された識別器を再利用することで、ノイズ除去モデルの特徴抽出能力に与える影響を調査すること。
• 合成心電図データが、心電図ノイズ除去タスクにおけるモデルの汎化性能とロバストネスに与える影響を評価すること。
• GANで生成された心電図が、生体医療信号処理における代替的で効果的なデータ拡張戦略として有効であることを実証すること。

提案手法

• 条件付きGANを訓練し、ノイズベクトルと心電図クラスラベルを条件として、現実的でリアルな心電図信号を生成する。
• 生成器ネットワークは、ランダムなノイズを、実際の心電図の形態と動的特性を模倣する波形にマッピングするように学習する。
• 識別器ネットワークは、実際の心電図とGANで生成された心電図を識別するように訓練され、リアルさを向上させるための敵対的フィードバックを提供する。
• ノイズ除去オートエンコーダーは、実際の心電図とGANで生成された心電図の組み合わせからなるデータセットで訓練され、強力なノイズ除去能力を学習する。
• 転移学習として、ノイズ除去オートエンコーダーのエンコーダーを、事前に訓練された識別器の特徴抽出部で初期化することで、より優れた特徴表現を得る。
• 標準的な心電図ノイズ除去指標を用いて評価し、実データのみ vs. 拡張済みデータで訓練した場合の性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 GANは、人間の視覚的および統計的感覚で実際の心電図と区別がつかない心電図信号を効果的に生成できるか？
• RQ2 実際の心電図に加えてGANで生成された信号を用いてノイズ除去オートエンコーダーを訓練することで、実データのみで訓練した場合と比較して、ノイズ除去性能が向上するか？
• RQ3 事前に訓練されたGANの識別器を、ノイズ除去オートエンコーダーの特徴学習能力向上のためにどれほど再利用できるか？
• RQ4 合成心電図データの使用が、未知のノイズを含む心電図サンプルに対するモデルの汎化性能とロバストネスに与える影響はいかほどか？
• RQ5 GANによるデータ拡張と識別器からの転移学習を組み合わせた戦略は、データが限られる生体医療信号処理において実用的かつ有効な戦略とみなせるか？

主な発見

• GANは、視覚的および統計的に実際の心電図と区別がつかない高品質な心電図信号を生成でき、非常にリアルな品質を示した。
• 実際の心電図とGANで生成された心電図を組み合わせて訓練したノイズ除去オートエンコーダーは、最先端のフィルタリング品質を達成し、実データのみで訓練したモデルを上回った。
• 事前に訓練された識別器のエンコーダーで初期化することで、ノイズ除去オートエンコーダーの転移学習が、収束速度の向上と性能の向上をもたらした。
• 合成データの使用は、実際の心電図データが限られる低データ環境において、モデルの汎化性能を顕著に向上させた。
• 結果から、GANで生成された心電図は、生体医療信号のノイズ除去における有効で妥当なデータ拡張戦略であることが確認された。
• 本研究は、敵対的学習と転移学習が、心電図信号処理における深層学習モデルの性能向上に相乗効果をもたらす可能性を示した。