[논문 리뷰] Augmenting Physiological Time Series Data: A Case Study for Sleep Apnea Detection

Konstantinos Nikolaidis, Stein Kristiansen외 4명|arXiv (Cornell University)|2019. 05. 22.

Obstructive Sleep Apnea Research인용 수 10

한 줄 요약

이 논문은 수면 무호흡증 진단을 위한 합성 생리학적 시계열 데이터를 생성하기 위해 조건부 순환 GAN 프레임워크를 제안한다. 이는 데이터 부족과 클래스 불균형 문제를 해결하기 위한 것이다. 실제 데이터를 GAN으로 생성한 샘플로 증강함으로써(특히 개인 맞춤형 및 분포 일치 생성을 통해), 다양한 모델에서 분류기 성능이 향상되며, 민감도와 카파 통계량이 최대 18.2×10⁻² 증가한다.

ABSTRACT

Supervised machine learning applications in the health domain often face the problem of insufficient training datasets. The quantity of labelled data is small due to privacy concerns and the cost of data acquisition and labelling by a medical expert. Furthermore, it is quite common that collected data are unbalanced and getting enough data to personalize models for individuals is very expensive or even infeasible. This paper addresses these problems by (1) designing a recurrent Generative Adversarial Network to generate realistic synthetic data and to augment the original dataset, (2) enabling the generation of balanced datasets based on heavily unbalanced dataset, and (3) to control the data generation in such a way that the generated data resembles data from specific individuals. We apply these solutions for sleep apnea detection and study in the evaluation the performance of four well-known techniques, i.e., K-Nearest Neighbour, Random Forest, Multi-Layer Perceptron, and Support Vector Machine. All classifiers exhibit in the experiments a consistent increase in sensitivity and a kappa statistic increase by between 0.007 and 0.182.

연구 동기 및 목표

• 수면 무호흡증 진단과 같은 건강 응용 분야에서 제한적이고 불균형하며 개인 맞춤형 생리학적 시계열 데이터의 문제를 해결한다.
• 진짜 데이터 분포를 근사하는 현실적인 합성 시계열 데이터를 생성하기 위해 조건부 순환 GAN을 개발한다.
• 통제된 데이터 생성을 통해 극도로 불균형한 데이터셋을 재균형화하여 모델의 일반화 능력을 향상시킨다.
• 특정 개인의 생리학적 패턴과 일치하는 데이터를 생성함으로써 간접적인 개인 맞춤형 생성을 탐색한다.
• 합성 데이터 증강이 다양한 표준 분류기의 수면 무호흡증 진단 성능에 미치는 영향을 평가한다.

제안 방법

• 시계열 데이터의 시간적 의존성을 반영하기 위해 순환 아키텍처를 사용하는 조건부 순환 GAN을 설계한다.
• 예를 들어 무호흡증 심각도와 같은 조건부 레이블을 사용하여 특정 클래스나 개인에 맞게 데이터를 생성한다.
• 실제 검증 세트와 생성된 데이터 분포를 비교하기 위해 MMD(최대 평균 차이) 지표를 사용하고, 개인화를 위해 최적의 일치를 보이는 GAN을 선별한다.
• 실제 훈련 데이터와 최적의 일치를 보이는 GAN에서 생성된 합성 데이터(SD)를 조합하여 증강된 데이터셋(AD)을 구성함으로써 재균형화와 개인화를 가능하게 한다.
• 기본 데이터셋, 증강된 데이터셋, 개인화된 증강된 데이터셋에 대해 네 가지 분류기(KNN, 랜덤 포레스트, MLP, SVM)를 적용하여 성능을 평가한다.
• 클래스 사전 확률(P(J=j))를 통제하여 각 클래스별 합성 샘플의 비율을 조절함으로써 균형 잡힌 데이터 합성 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 조건부 순환 GAN은 실제 수면 무호흡증 데이터의 분포를 반영하는 현실적인 생리학적 시계열 데이터를 효과적으로 생성할 수 있는가?
• RQ2 GAN으로 생성한 샘플을 사용한 데이터 증강이 불균형한 수면 무호흡증 데이터셋에서 분류기의 민감도와 전체 성능을 향상시키는가?
• RQ3 특정 개인의 실제 데이터와 합성 데이터 분포를 일치시킴으로써 개인 맞춤형 데이터 생성이 가능할 수 있는가?
• RQ4 MMD 기반으로 최적의 일치를 보이는 GAN을 선별하는 간접적 개인화 방식이 표준 증강 대비 분류기 성능에 어떤 영향을 미치는가?
• RQ5 합성 데이터 증강이 다양한 분류기에서 수면 무호흡증 진단의 카파 통계량과 민감도를 얼마나 향상시키는가?

주요 결과

• 모든 분류기에서 데이터 증강 후 민감도와 카파 통계량이 일관되게 향상되었으며, 향상 폭은 0.72×10⁻²에서 18.2×10⁻²까지 다양했다.
• Exp3:AugmP 방법—실제 데이터와 가장 잘 일치하는 GAN을 MMD를 통해 선별하는 방법—는 가장 높은 성능을 기록했으며, a03b01 테스트 세트에서 MLP의 카파 증가 폭이 최대 27.12×10⁻²에 이르렀다.
• SVM과 랜덤 포레스트는 증강에 가장 큰 이점을 얻었으며, 개인 맞춤형 합성 데이터를 사용할 경우 SVM이 MLP보다 카파에서 뛰어난 성능을 보였다.
• MLP 분류기의 경우, a03b01 테스트 세트에서 개인 맞춤형 증강을 사용했을 때 카파 통계량이 기준값 57.4×10⁻²에서 84.5×10⁻²으로 증가했다.
• 모든 분류기의 정확도, 특이도, 민감도가 증강된 환경에서 향상되었으며, Exp3:AugmP는 여러 테스트 케이스에서 가장 일관된 성과 향상을 보였다.
• 이 방법은 다양한 개인과 기록 조합에 걸쳐 뛰어난 강건성을 보였으며, 실생활 건강 응용 분야에서의 개인 맞춤형 적용 가능성이 높다고 판단된다.