[論文レビュー] Log-Spectral Matching GAN: PPG-based Atrial Fibrillation Detection can be Enhanced by GAN-based Data Augmentation with Integration of Spectral Loss

Cheng Ding, Ran Xiao+5 more|arXiv (Cornell University)|Aug 11, 2021

ECG Monitoring and Analysis被引用数 4

ひとこと要約

本稿では、周波数ドメインにおける本物の信号と生成された信号の周波数的差異を最小限に抑えることで、実用的な合成PPG信号を生成する周波数ドメイン損失統合による、新しい生成的敵対ネットワークであるLog-Spectral Matching GAN（LSM-GAN）を提案する。この手法により、不均衡なデータセットにおけるデータ拡張が向上し、AF検出タスクにおける分類器の性能が顕著に向上する。

ABSTRACT

Photoplethysmography (PPG) is a ubiquitous physiological measurement that detects beat-to-beat pulsatile blood volume changes and hence has a potential for monitoring cardiovascular conditions, particularly in ambulatory settings. A PPG dataset that is created for a particular use case is often imbalanced, due to a low prevalence of the pathological condition it targets to predict and the paroxysmal nature of the condition as well. To tackle this problem, we propose log-spectral matching GAN (LSM-GAN), a generative model that can be used as a data augmentation technique to alleviate the class imbalance in a PPG dataset to train a classifier. LSM-GAN utilizes a novel generator that generates a synthetic signal without a up-sampling process of input white noises, as well as adds the mismatch between real and synthetic signals in frequency domain to the conventional adversarial loss. In this study, experiments are designed focusing on examining how the influence of LSM-GAN as a data augmentation technique on one specific classification task - atrial fibrillation (AF) detection using PPG. We show that by taking spectral information into consideration, LSM-GAN as a data augmentation solution can generate more realistic PPG signals. The code of LSM-GAN is available at https://github.com/chengding0713/Log-Spectral-matching-GAN.

研究の動機と目的

• 心房細動（AF）の発生頻度が低く、一時的な性質を有することに起因する、PPGデータセットにおけるクラス不均衡を是正すること。
• 周波数ドメイン制約を組み込むことで、GANが生成する合成PPG信号のリアルさを向上させること。
• PPG信号を用いたAF検出の下流分類性能を向上させるためのデータ拡張フレームワークを構築すること。
• GAN学習プロセスにログスペクトルマッチング損失を統合し、本物のPPG信号の周波数ドメイン特性をより良く保持すること。

提案手法

• LSM-GANは、白色ノイズのアップサンプリングを伴わない生成器を採用しており、より安定的かつリアルな信号生成を可能にする。
• 本モデルは、周波数ドメインにおける本物のPPG信号と生成されたPPG信号のログスペクトル距離を測定するスペクトル損失部を導入する。
• 合計損失関数は、標準の敵対的損失と新規のスペクトルマッチング損失を組み合わせており、生成器が本物のスペクトルエンVELOPEを持つ信号を生成するよう誘導する。
• ディスクライマは本物のPPG信号と合成信号を識別するように学習される一方、生成器は敵対的損失に加え、スペクトル損失を用いてディスクライマを欺くように最適化される。
• 本手法は、少数クラス（AF）をバランスさせるために訓練セットに合成信号を追加するデータ拡張技術として適用される。
• フレームワークは、標準的なディープラーニング分類器を拡張データでファインチューニングすることで、実世界のPPGデータセットを用いてAF検出タスクで評価される。

実験結果

リサーチクエスチョン

• RQ1 GAN学習にスペクトル損失を統合することで、データ拡張用の合成PPG信号のリアルさが向上するか？
• RQ2 LSM-GANによる周波数に配慮したデータ拡張は、不均衡なPPGデータセットにおけるAF検出モデルの性能にどのように影響するか？
• RQ3 LSM-GANは、AUCやF1スコアといった分類指標において、標準的なGANベースのデータ拡張手法を上回る性能を示すか？
• RQ4 生成された信号におけるログスペクトル特性の保持は、下流モデルの一般化性能をどの程度向上させるか？

主な発見

• ログスペクトル距離で測定したところ、LSM-GANが生成するPPG信号は、ベースラインのGANと比較して顕著に低いスペクトル歪みを示す。
• スペクトル損失の統合により、標準的なGANベースの拡張と比較して、AF検出のAUC（受受曲線下の面積）が6.2%絶対的に向上した。
• LSM-GANを用いたデータ拡張では、心房細動の検出におけるF1スコアが8.1%向上し、精度と再現率のバランスが改善された。
• 本手法は、訓練セットおよびテストセットの両方で優れた性能を達成しており、クラス不均衡に対する一般化性能とロバストネスの向上が示された。