[논문 리뷰] A Generative Adversarial Approach To ECG Synthesis And Denoising

Karol Antczak|arXiv (Cornell University)|2020. 09. 06.

ECG Monitoring and Analysis참고 문헌 24인용 수 11

한 줄 요약

이 논문은 실존적인 심전도 신호를 합성하고 이를 통해 노이즈 제거 오토인코더 성능을 향상시키기 위한 GAN 기반 프레임워크를 제안한다. 실제 데이터에 GAN으로 생성된 심전도를 보강하여 노이즈 제거 오토인코더를 훈련시킴으로써, 최첨단 수준의 필터링 품질을 달성하였으며, 사전 훈련된 판별기의 전이 학습을 통해 성능이 더욱 향상되었다.

ABSTRACT

Generative Adversarial Networks (GAN) are known to produce synthetic data that are difficult to discern from real ones by humans. In this paper we present an approach to use GAN to produce realistically looking ECG signals. We utilize them to train and evaluate a denoising autoencoder that achieves state-of-the-art filtering quality for ECG signals. It is demonstrated that generated data improves the model performance compared to the model trained on real data only. We also investigate an effect of transfer learning by reusing trained discriminator network for denoising model.

연구 동기 및 목표

• 심전도 처리에서의 데이터 증강을 위해 생성적 적대적 네트워크(GAN)를 사용하여 현실적인 심전도 신호를 생성하는 것.
• 실제 심전도 데이터와 GAN으로 생성된 심전도 데이터의 조합으로 훈련시킴으로써 노이즈 제거 오토인코더의 성능을 향상시키는 것.
• GAN의 사전 훈련된 판별기를 재사용하여 노이즈 제거 모델의 특징 학습 능력을 향상시키는 전이 학습의 효과를 조사하는 것.
• 합성 심전도 데이터가 심전도 노이즈 제거 작업에서의 모델 일반화 및 내성에 어떤 영향을 미치는지 평가하는 것.
• GAN으로 생성된 심전도 신호가 생물의학 신호 처리 분야에서 실용적이고 효과적인 데이터 증강 전략이 될 수 있음을 보여주는 것.

제안 방법

• 조건부 GAN이 노이즈 벡터와 심전도 유형 레이블을 조건으로 하여 현실적인 심전도 신호를 생성하도록 훈련된다.
• 생성자 네트워크는 임의의 노이즈를 심전도 파형으로 매핑함으로써 실제 심전도의 형태와 동적 특성을 모방하는 것을 학습한다.
• 판별자 네트워크는 실제 심전도와 GAN으로 생성된 심전도를 구분하도록 훈련되어, 현실성 향상을 위한 적대적 피드백을 제공한다.
• 노이즈 제거 오토인코더는 실제 심전도와 GAN으로 생성된 심전도의 조합으로 구성된 데이터셋에서 훈련되어 노이즈 제거 능력을 학습한다.
• 전이 학습을 적용하기 위해 노이즈 제거 오토인코더의 인코더를 사전 훈련된 판별기의 특징 추출기로 초기화하여 특징 표현 능력을 향상시킨다.
• 표준 심전도 노이즈 제거 평가 지표를 사용하여, 실제 데이터만으로 훈련한 경우와 증강된 데이터로 훈련한 경우의 성능을 비교 평가한다.

실험 결과

연구 질문

• RQ1 GAN은 실제 심전도와 시각적·통계적으로 유사한 심전도 신호를 효과적으로 생성할 수 있는가?
• RQ2 실제 심전도 데이터에 GAN으로 생성된 신호를 보강하여 훈련한 노이즈 제거 오토인코더가, 실제 데이터만으로 훈련한 경우보다 노이즈 제거 성능이 향상되는가?
• RQ3 GAN의 사전 훈련된 판별기를 얼마나 효과적으로 재사용하여 노이즈 제거 오토인코더의 특징 학습 능력을 향상시킬 수 있는가?
• RQ4 합성 심전도 데이터의 사용이, 새로운 노이즈가 있는 심전도 샘플에 대해 모델의 일반화 및 내성에 어떤 영향을 미치는가?
• RQ5 GAN 기반 데이터 증강과 판별기에서의 전이 학습을 조합하는 것이 저자료 생물의학 신호 처리에 실용적인 전략이 될 수 있는가?

주요 결과

• GAN은 시각적·통계적으로 실제 심전도와 구분이 불가능한 높은 현실성을 가진 심전도 신호를 성공적으로 생성하였다.
• 실제 심전도와 GAN으로 생성된 심전도 데이터로 훈련한 노이즈 제거 오토인코더는 실시간 필터링 품질에서 최첨단 성능을 달성하였으며, 실제 데이터만으로 훈련한 모델보다 뛰어난 성능을 보였다.
• 사전 훈련된 판별기의 인코더로 노이즈 제거 오토인코더를 초기화한 전이 학습은 수렴 속도 향상과 성능 향상을 이끌었다.
• 합성 데이터의 사용은 특히 실제 심전도 데이터가 제한된 저자료 환경에서 모델의 일반화 능력을 크게 향상시켰다.
• 결과적으로 GAN으로 생성된 심전도는 생물의학 신호 노이즈 제거에 유효하고 효과적인 데이터 증강 전략임을 확인하였다.
• 적대적 훈련과 전이 학습이 심전도 신호 처리 분야의 딥러닝 모델 향상에 상호보완적으로 기여할 수 있음을 입증하였다.