[論文レビュー] SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification

Tomer Golany, Daniel Z. Freedman+1 more|arXiv (Cornell University)|Jun 27, 2020

ECG Monitoring and Analysis被引用数 30

ひとこと要約

この論文は心臓シミュレータ（ODEs）をGAN訓練に注入し、形態的に現実的なECG心拍を合成することでMIT-BIHデータの深層ECG心拍分類を改善する。

ABSTRACT

Generating training examples for supervised tasks is a long sought after goal in AI. We study the problem of heart signal electrocardiogram (ECG) synthesis for improved heartbeat classification. ECG synthesis is challenging: the generation of training examples for such biological-physiological systems is not straightforward, due to their dynamic nature in which the various parts of the system interact in complex ways. However, an understanding of these dynamics has been developed for years in the form of mathematical process simulators. We study how to incorporate this knowledge into the generative process by leveraging a biological simulator for the task of ECG classification. Specifically, we use a system of ordinary differential equations representing heart dynamics, and incorporate this ODE system into the optimization process of a generative adversarial network to create biologically plausible ECG training examples. We perform empirical evaluation and show that heart simulation knowledge during the generation process improves ECG classification.

研究の動機と目的

• ODEsに基づく心臓ダイナミクスシミュレータをGANフレームワークに組み込み、ECG心拍生成を導く。
• シミュレータ指向の合成ECGが監督付き深層学習分類を改善することを示す。
• gold-standard ECGデータセットでSimGANsを評価し、最新のベースラインと比較する。
• 再現とさらなる研究を可能にするコードを共有する。

提案手法

• ECG心拍生成をGANとしてモデル化し、ジェネレータが216点の心拍ベクトルを出力する。
• EulerベースのSimulator Distance lossを埋め込み、生成信号がECGオシレーターODEsを満たすように強制する。
• クロスエントロピーGAN損失にSimulator Distance（Euler Loss）を定義し、ジェネレータを訓練する。
• 心拍クラスラベルで条件付けされたクラス特異的識別器と生成器を使用する。
• 実データ上で simulator-guided 合成心拍を追加したResNetベースの分類器を訓練する。

実験結果

リサーチクエスチョン

• RQ1 生理的心臓シミュレータは、GAN生成ECG心拍のリアリティと形態を、ランダムノイズ生成を超えて改善できるか？
• RQ2 simulator-guided の合成ECGは、標準のGANやシミュレータのみデータと比較して、MIT-BIHデータ上の心拍分類深層学習を向上させるか？
• RQ3 SimGANsの性能は、擬似データで補強した場合、最先端のECG分類手法と比較してどうか？

主な発見

• SimDCGANは、SVEB、Fusion、VEBクラスの精度再現曲線で一貫して他の生成モデルを上回る。
• 先行研究と比較して、SimDCGANは高い精度と再現率を示す（例：SVEB: 再現率0.41、精度0.80；Fusion: 再現率0.60、精度0.40；VEB: 再現率0.91、精度0.84）。
• 単独でシミュレートデータを追加するとベースのResNetモデルよりパフォーマンスが向上し、評価されたアプローチの中でSimDCGANが最大の利得を提供する。
• SimDCGANは、SVEBとFusionの主要な心拍クラスでRefineGANと単純な simulatorベースの拡張を上回る。
• シミュレータ指向の合成心拍を組み込むと、MIT-BIHデータの評価設定内で最先端の結果を達成する。