[논문 리뷰] Deep Generative Models for Physiological Signals: A Systematic Literature Review

Nour Neifar, Afef Mdhaffar외 2명|arXiv (Cornell University)|2023. 07. 12.

EEG and Brain-Computer InterfacesNeuroscience인용 수 3

한 줄 요약

이 체계적 문헌 고찰은 심전도(ECG), 뇌전도(EEG), 혈류도파민(Peak), 근전도(EMG)와 같은 생리 신호에 적용된 최신의 딥 생성 모델—특히 GAN, VAE 및 확산 모델—을 종합적으로 분석한다. 데이터 증강 및 노이즈 제거와 같은 핵심 응용 분야를 규명하고, 학습 불안정성과 신호의 복잡성과 같은 주요 과제를 제기하며, 임상 적용을 발전시키기 위해 표준화된 평가 프로토콜과 생리학적 사전 지식의 통합이 필요하다는 점을 강조한다.

ABSTRACT

In this paper, we present a systematic literature review on deep generative models for physiological signals, particularly electrocardiogram (ECG), electroencephalogram (EEG), photoplethysmogram (PPG) and electromyogram (EMG). Compared to the existing review papers, we present the first review that summarizes the recent state-of-the-art deep generative models. By analyzing the state-of-the-art research related to deep generative models along with their main applications and challenges, this review contributes to the overall understanding of these models applied to physiological signals. Additionally, by highlighting the employed evaluation protocol and the most used physiological databases, this review facilitates the assessment and benchmarking of deep generative models.

연구 동기 및 목표

• ECG, EEG, PPG, EMG 신호 분석에 사용되는 최신의 딥 생성 모델에 대한 종합적인 개요를 제공하기 위해.
• 생리 신호 처리 분야에서 가장 널리 사용되는 딥 생성 아키텍처와 그 실용적 응용을 규명하기 위해.
• 복잡하고 동적인 생리 신호에 이러한 모델을 학습하고 구현하는 데 관련된 주요 과제를 분석하기 위해.
• 재현 가능한 연구를 지원하기 위해 문헌에서 사용된 평가 프로토콜 및 벤치마크 데이터셋을 검토하기 위해.
• 생리학적 사전 지식 통합 및 다중 모odal 신호 분석을 포함한 향후 연구 방향을 부각하기 위해.

제안 방법

• PRISMA 지침을 따르는 체계적 문헌 고찰(SLR)을 수행하여 생리 신호에 대한 딥 생성 모델에 관한 66개의 주요 연구를 식별하고 분석하였다.
• 관련성과 방법론적 엄밀함을 기준으로 사전 정의된 포함 및 배제 기준을 적용하여 심전도(ECG), 뇌전도(EEG), 혈류도파민(PPG), 근전도(EMG)의 네 가지 핵심 생리 신호에 집중하였다.
• 데이터 추출에는 모델 아키텍처, 응용 분야, 평가 지표, 사용된 데이터셋, 보고된 과제가 포함되었다.
• 분석은 생성 적대 신경망(GANs), 변분 오토에인코더(VAEs), 확산 모델의 세 가지 주요 유형으로 모델을 분류하였다.
• 표준화된 지표를 사용하여 모델 성능을 평가하고, MIT-BIH Arrhythmia, PTB-XL, DEAP, Sleep-EDF와 같은 공개 데이터베이스에서 결과를 벤치마킹하였다.
• 모델 설계 및 평가 프로토콜의 추세, 한계점 및 기회를 규명하기 위해 비교적 종합적인 분석을 수행하였다.

실험 결과

연구 질문

• RQ1 ECG, PPG, EEG, EMG 신호에 대해 가장 널리 사용되는 딥 생성 모델의 유형은 무엇인가요?
• RQ2 이러한 딥 생성 모델 유형은 생리 신호 분석에 실제로 어떻게 응용되나요?
• RQ3 ECG, PPG, EEG, EMG 신호에 딥 생성 모델를 사용할 때 관련된 주요 과제는 무엇인가요?
• RQ4 딥 생성 모델의 성능을 평가하기 위해 일반적으로 사용되는 평가 프로토콜은 무엇인가요?
• RQ5 문헌에서 딥 생성 모델를 평가하기 위해 사용된 생리학적 데이터셋은 무엇인가요?

주요 결과

• 생성 적대 신경망(GANs), 변분 오토에인코더(VAEs), 확산 모델은 생리 신호 생성 및 처리에 가장 널리 채택된 딥 생성 아키텍처이다.
• 이러한 모델들은 주로 데이터 증강, 노이즈 제거, 누락치 보정 작업에 사용되어 후속 진단 모델의 강건성과 일반화 능력을 향상시킨다.
• 이러한 모델을 적용할 때 주요 과제로는 생리 신호의 복잡하고 비정상적인 특성으로 인한 학습 불안정성이 있으며, 특히 GAN에서 두드러진다.
• 가장 자주 사용된 데이터베이스로는 MIT-BIH Arrhythmia, PTB-XL(심전도용), DEAP 및 SEED(뇌전도용), Sleep-EDF(근전도 및 뇌전도 포함 다중 모달 신호용)가 있다.
• 연구 간 표준화된 평가 프로토콜과 지표의 부족으로 인해 모델 간 비교 및 벤치마킹이 어려운 상황이다.
• 향후 연구는 모델 아키텍처에 생리학적 사전 지식을 통합하고, 다중 모달 또는 다중 리드 신호 정보를 활용하여 모델의 해석 가능성과 성능을 향상시키는 데 초점을 맞춰야 한다.