[論文レビュー] Synthetic ECG Signal Generation Using Generative Neural Networks

Edmond Adib, Fatemeh Afghah+1 more|arXiv (Cornell University)|Dec 5, 2021

ECG Monitoring and Analysis被引用数 16

ひとこと要約

この論文は、合成正常心電図（ECG）波形の生成を目的とした5つの生成対抗ネットワーク（GAN）モデルを評価し、しきい値ベースの受容、生産性率、および類似度指標（DTW、Fréchet、ユークリッド）を用いた体系的評価フレームワークを導入している。結果として、クラシックGANは最高の生産性率（72％）を達成した一方、BiLSTM-DC GANとWGANは視覚的により受け入れやすい波形を生成した。合成データの増強は、不均衡なデータセットにおける分類器の性能を著しく向上させた。

ABSTRACT

Electrocardiogram (ECG) datasets tend to be highly imbalanced due to the scarcity of abnormal cases. Additionally, the use of real patients' ECGs is highly regulated due to privacy issues. Therefore, there is always a need for more ECG data, especially for the training of automatic diagnosis machine learning models, which perform better when trained on a balanced dataset. We studied the synthetic ECG generation capability of 5 different models from the generative adversarial network (GAN) family and compared their performances, the focus being only on Normal cardiac cycles. Dynamic Time Warping (DTW), Fréchet, and Euclidean distance functions were employed to quantitatively measure performance. Five different methods for evaluating generated beats were proposed and applied. We also proposed 3 new concepts (threshold, accepted beat and productivity rate) and employed them along with the aforementioned methods as a systematic way for comparison between models. The results show that all the tested models can, to an extent, successfully mass-generate acceptable heartbeats with high similarity in morphological features, and potentially all of them can be used to augment imbalanced datasets. However, visual inspections of generated beats favors BiLSTM-DC GAN and WGAN, as they produce statistically more acceptable beats. Also, with regards to productivity rate, the Classic GAN is superior with a 72% productivity rate. We also designed a simple experiment with the state-of-the-art classifier (ECGResNet34) to show empirically that the augmentation of the imbalanced dataset by synthetic ECG signals could improve the performance of classification significantly.

研究の動機と目的

• 正常な心拍が著しく多い不均衡なECGデータセットの課題に対処する。
• 研究やトレーニングのための実際の患者ECGデータへのアクセスを制限するプライバシーおよび規制的障壁を克服する。
• GANベースの合成ECG生成性能を評価する体系的で定量的なフレームワークを開発する。
• 合成ECG波形を用いたデータ増強により、機械学習モデルの性能を向上させる。

提案手法

• リードI信号から合成正常ECG波形を生成するために、5つのGAN変種（クラシックGAN、DC-DC GAN、AE/VAE-DC GAN、BiLSTM-DC GAN、WGAN）を採用した。
• 3つの新規評価概念を導入した：しきい値（受容可能な波形を定義）、受容波形（しきい値内にある波形）、生産性率（1回の生成サイクルあたりの受容波形の割合）。
• 生成波形と実際の波形を定量的に比較するために、3つの類似度指標（動的時間ワープング（DTW）、Fréchet距離、ユークリッド距離）を適用した。
• 5つの評価手法を実施した：類似度指標（1～3）、しきい値ベースの受容（4）、および視覚的検査（5）。後者は定量的結果の妥当性を検証するために用いられた。
• ECGResNet34を用いた二値分類実験を設計し、合成データ増強がモデル性能に与える影響をテストした。
• 実データ、不均衡データ、および増強済みデータを用いて、モデルの正解率、適合率、再現率、F1スコアを比較した。

実験結果

リサーチクエスチョン

• RQ1 DTW、Fréchet、ユークリッド距離で測定した場合、どのGANモデルが実際の正常ECG波形と最も高い形態的類似度を持つ合成ECG波形を生成するか？
• RQ2 提案された生産性率指標は、GANモデルが受容可能な合成ECG波形を生成する効率を定量的に測定するのにどの程度有効か？
• RQ3 GANによって生成された合成ECGデータは、不均衡な実データセットを効果的に増強し、下流の分類性能を向上させることができるか？
• RQ4 視覚的検査による生成波形の評価は、定量的指標と比較して、モデル性能の評価においてどの程度有効か？
• RQ5 異なるGANアーキテクチャは、高品質で形態的に現実的なECG波形を生成する能力において、どの程度異なるか？

主な発見

• クラシックGANは72％の最高の生産性率を達成し、時間的・計算コスト的効率が優れていることを示した。
• 視覚的検査では、BiLSTM-DC GANとWGANが他のモデルよりも視覚的により受け入れやすい波形を生成したが、生産性率はわずかに低かった。
• ユークリッド距離指標はECG波形評価に不適切であることが判明した。形態的差を検出できず、最小距離を示す例でも形態的類似性がなかった。
• DTWとFréchet距離関数の両方が、モデル間で一貫した性能順位を示し、定量的比較の信頼性を裏付けた。
• 合成データ増強により、ECGResNet34のF1スコアが不均衡な実データでの0.42から、バランスの取れた増強データでの0.97に向上し、完全に実データでバランスの取れたデータセットを用いた場合の性能に近づいた。
• しきい値、受容波形、生産性率を含む提案された評価フレームワークは、GANによる合成ECG生成の体系的で定量的な比較手法を提供し、既存の評価慣行における空白を埋めた。