[論文レビュー] Biosignal Generation and Latent Variable Analysis with Recurrent Generative Adversarial Networks

Shota Harada, Hideaki Hayashi+1 more|arXiv (Cornell University)|May 17, 2019

Time Series Analysis and Forecasting参考文献 34被引用数 4

ひとこと要約

本論文は、クラスラベルを条件入力として用いることで、制御可能で高精度な時系列バイオシグナル（例：ECG、EEG）の合成を可能にする条件付き再帰的GANフレームワークを提案する。潜在変数に対して線形的相関分析（CCA）を適用することで、入力と出力の関係を明らかにし、振幅や周波数といった生成シグナルの特徴を正確に制御可能となる。従来のGANベースの手法よりも、ドメイン固有の知識を必要とせずに、データ品質と制御性の両面で優れている。

ABSTRACT

The effectiveness of biosignal generation and data augmentation with biosignal generative models based on generative adversarial networks (GANs), which are a type of deep learning technique, was demonstrated in our previous paper. GAN-based generative models only learn the projection between a random distribution as input data and the distribution of training data.Therefore, the relationship between input and generated data is unclear, and the characteristics of the data generated from this model cannot be controlled. This study proposes a method for generating time-series data based on GANs and explores their ability to generate biosignals with certain classes and characteristics. Moreover, in the proposed method, latent variables are analyzed using canonical correlation analysis (CCA) to represent the relationship between input and generated data as canonical loadings. Using these loadings, we can control the characteristics of the data generated by the proposed method. The influence of class labels on generated data is analyzed by feeding the data interpolated between two class labels into the generator of the proposed GANs. The CCA of the latent variables is shown to be an effective method of controlling the generated data characteristics. We are able to model the distribution of the time-series data without requiring domain-dependent knowledge using the proposed method. Furthermore, it is possible to control the characteristics of these data by analyzing the model trained using the proposed method. To the best of our knowledge, this work is the first to generate biosignals using GANs while controlling the characteristics of the generated data.

研究の動機と目的

• ドメイン固有の知識を必要とせず、複数のバイオシグナルクラスを1つのモデルで生成できる条件付きGANフレームワークの開発。
• 従来のGANでは入力–出力関係が曇りやすいという点を是正し、解釈可能性と制御性を向上させること。
• 生成バイオシグナルの定量的評価を可能とし、振幅や周波数といった特定のシグナル特徴への制御を実証すること。
• CCAを用いて潜在空間を分析し、入力条件（例：クラスラベル）が生成シグナル特徴にどのように意味のある変化を引き起こすかをマッピングすること。
• 各クラスごとに独立した複数のモデルを用いるのではなく、1つの条件付きモデルに置き換えることで、学習コストとモデルの複雑さを低減すること。

提案手法

• 時間的依存性をモデル化できるように、生成器と識別器の両方のネットワークに長短期記憶（LSTM）ユニットを組み込んだ条件付きGANアーキテクチャを設計した。
• クラスラベルを生成器および識別器の両方の条件入力として用い、1つのモデルで複数のバイオシグナルクラスの条件付き生成を可能にした。
• 潜在変数に対して線形的相関分析（CCA）を適用し、入力条件と生成シグナル特徴との間の統計的関係を同定した。
• CCAの結果を基に、出力シグナル特徴（例：平均周波数や最大振幅）に望ましい変化を引き起こすように制御可能な入力ベクトルを生成した。
• ドメイン固有のシグナル事前知識を必要とせず、敵対的損失と再構成損失を用いてエンドツーエンドで学習した。
• クラスラベル間の入力補間を用いて、生成シグナルの遷移の滑らかさと連続性を分析した。

実験結果

リサーチクエスチョン

• RQ1 1つの条件付きGANモデルが、各クラスごとに別々に学習する従来手法と比較して、モデル複雑度を低減しつつ、多様なバイオシグナルクラス（例：ECG、EEG）を高精度に生成できるか？
• RQ2 GANの潜在空間をどのように分析すれば、入力条件（例：クラスラベル）と生成シグナル特徴との関係を明らかにできるか？
• RQ3 明示的な監視なしに、CCAから得られる標準的負荷を用いて、生成バイオシグナルの特徴（周波数や振幅など）をどの程度制御できるか？
• RQ4 本手法は、特に実データとの定量的類似性の観点から、従来のGANベースのバイオシグナル生成手法と同等またはそれ以上の生成品質を達成できるか？
• RQ5 潜在空間におけるクラスラベル間の補間によって、生理的に妥当な滑らかなシグナル遷移を生成できるか？これは、モデルが意味のある潜在構造を捉えていることを示唆する。

主な発見

• 提案手法は、実データと生成データの間のDTWベースの類似度スコアが、従来手法（著者自身の独立クラスモデル含む）と同等またはそれ以上であり、高品質なバイオシグナル生成を達成した。
• モデルパラメータ数が従来手法の1/Cにまで削減された（Cはクラス数）ため、学習コストと複雑さが顕著に低減された。
• CCA分析により、入力潜在変数と最大振幅や平均周波数といった主要なシグナル特徴との間に強い標準的相関が確認され、意味のある入力–出力関係が裏付けられた。
• CCA負荷に基づく入力ベクトルの操作により、意図した特徴の変化（例：平均周波数の増加、振幅の低減）を伴うシグナルの生成に成功し、有効な制御性が実証された。
• クラスラベル間の補間により、滑らかで生理的に妥当な生成シグナルの遷移が得られ、モデルが意味のある潜在構造を捉えていることが示された。
• 訓練時にそれらの特徴（周波数や振幅）を明示的に制御しなかったにもかかわらず、潜在空間の分析によりそれらのシグナル特徴を効果的に制御できた。これは、CCAが解釈性と制御性の両面で有効であることを証明している。