[論文レビュー] Deep Generative Models for Physiological Signals: A Systematic Literature Review

Nour Neifar, Afef Mdhaffar+2 more|arXiv (Cornell University)|Jul 12, 2023

EEG and Brain-Computer InterfacesNeuroscience被引用数 3

ひとこと要約

本システマティックレビューでは、心電図（ECG）、脳波（EEG）、脈波（PPG）、筋電図（EMG）を含む生理的信号に応用された最新の深層生成モデル——特にGAN、VAE、拡散モデル——を統合的に分析している。主な応用分野としてデータ拡張とノイズ除去が同定され、トレーニングの不安定性や信号の複雑さといった主な課題が強調され、臨床応用の発展のためには標準化された評価プロトコルの整備と生理的事前知識の統合が不可欠であると示唆している。

ABSTRACT

In this paper, we present a systematic literature review on deep generative models for physiological signals, particularly electrocardiogram (ECG), electroencephalogram (EEG), photoplethysmogram (PPG) and electromyogram (EMG). Compared to the existing review papers, we present the first review that summarizes the recent state-of-the-art deep generative models. By analyzing the state-of-the-art research related to deep generative models along with their main applications and challenges, this review contributes to the overall understanding of these models applied to physiological signals. Additionally, by highlighting the employed evaluation protocol and the most used physiological databases, this review facilitates the assessment and benchmarking of deep generative models.

研究の動機と目的

• ECG、EEG、PPG、EMG信号の分析に用いられる最新の深層生成モデルの包括的概要を提供すること。
• 生理的信号処理における主に用いられる深層生成アーキテクチャとその実用的応用を特定すること。
• 複雑で動的な生理的信号にこれらのモデルをトレーニングおよび展開する際の主な課題を分析すること。
• 研究の再現性を支援するために文献で用いられている評価プロトコルおよびベンチマークデータセットをレビューすること。
• 今後の研究方向性、特に生理的事前知識の統合とマルチモーダル信号解析の強化を強調すること。

提案手法

• PRISMA指針に従い、生理的信号向けの深層生成モデルに関する66件の一次研究を同定・分析するためのシステマティックレビュー（SLR）を実施した。
• 本レビューは、関連性とメソドロジカルな厳密性に基づく事前定義された含む・除外基準に従い、ECG、EEG、PPG、EMGの4つの主要な生理的信号に焦点を当てた。
• データ抽出には、モデルアーキテクチャ、応用分野、評価指標、使用されたデータセット、報告された課題が含まれた。
• 分析では、生成対戦ネットワーク（GANs）、変分オートエンコーダ（VAEs）、拡散モデルの3つの主要なクラスにモデルを分類した。
• 標準化された指標を用いてモデルのパフォーマンスを評価し、MIT-BIH Arrhythmia、PTB-XL、DEAP、Sleep-EDFなどの公開データベースを用いて結果をベンチマーク化した。
• トレンド、限界、モデル設計および評価プロトコルにおける機会を特定するため、比較的統合的分析を実施した。

実験結果

リサーチクエスチョン

• RQ1 ECG、PPG、EEG、EMG信号に最も広く用いられている深層生成モデルのクラスは何か？
• RQ2 これらのクラスの深層生成モデルは、実際の生理的信号解析においてどのように応用されているか？
• RQ3 ECG、PPG、EEG、EMG信号に深層生成モデルを適用する際の主な課題は何か？
• RQ4 深層生成モデルのパフォーマンスを評価するために一般的に用いられている評価プロトコルは何か？
• RQ5 文献で深層生成モデルの評価に使用された生理的データセットはどれか？

主な発見

• 生成対戦ネットワーク（GANs）、変分オートエンコーダ（VAEs）、拡散モデルは、生理的信号の生成および処理に最も広く採用されている深層生成アーキテクチャである。
• これらのモデルは主に、下流の診断モデルのロバスト性と一般化性能を向上させるために、データ拡張、ノイズ除去、欠損値補完のタスクに応用されている。
• これらのモデルを適用する際の主な課題は、生理的信号の複雑さと非定常性に起因するトレーニングの不安定性であり、特にGANsにおいて顕著である。
• 最も頻繁に使用されたデータベースには、MIT-BIH Arrhythmia（ECG用）、PTB-XL（ECG用）、DEAPおよびSEED（EEG用）、Sleep-EDF（EMGおよびEEGを含むマルチモーダル信号用）がある。
• 研究間で標準化された評価プロトコルや指標が不足しており、モデル間の比較やベンチマークが困難である。
• 今後の研究は、モデルアーキテクチャへの生理的事前知識の統合およびマルチモーダルまたはマルチリード信号情報の活用に注力すべきである。