[논문 리뷰] DiffECG: A Versatile Probabilistic Diffusion Model for ECG Signals Synthesis

Nour Neifar, Achraf Ben-Hamadou외 2명|arXiv (Cornell University)|2023. 06. 02.

ECG Monitoring and Analysis인용 수 6

한 줄 요약

이 논문은 심전도 신호 합성의 새로운 확률적 확산 모델인 DiffECG를 제안한다. 이 모델은 하나의 조건부 프레임워크 안에서 심박동 생성, 부분적 신호 보간, 전체 심박동 예측을 통합한다. 스펙트로그램 표현을 조건부로 설정하고, 유연한 인코딩 기법을 사용함으로써, DiffECG는 세 가지 작업 전반에서 최신 기술 수준(SOTA)의 성능을 달성하였으며, FID 및 RMSE 지표를 크게 향상시키고 현실적인 심전도 형태를 생성한다.

ABSTRACT

Within cardiovascular disease detection using deep learning applied to ECG signals, the complexities of handling physiological signals have sparked growing interest in leveraging deep generative models for effective data augmentation. In this paper, we introduce a novel versatile approach based on denoising diffusion probabilistic models for ECG synthesis, addressing three scenarios: (i) heartbeat generation, (ii) partial signal imputation, and (iii) full heartbeat forecasting. Our approach presents the first generalized conditional approach for ECG synthesis, and our experimental results demonstrate its effectiveness for various ECG-related tasks. Moreover, we show that our approach outperforms other state-of-the-art ECG generative models and can enhance the performance of state-of-the-art classifiers.

연구 동기 및 목표

• 심장질환 진단에서 제한적이고 노이즈가 많으며 불완전한 심전도 데이터의 과제를 해결하기 위해.
• 다양한 심전도 신호 합성 작업(생성, 보간, 예측)을 처리할 수 있는 통합된 딥 생성 모델을 개발하기 위해.
• 임상 AI 응용 분야에서 데이터 증강을 위한 합성 심전도 신호의 현실성과 정밀도를 향상시키기 위해.
• 기존의 GAN 기반 및 오토에코더 기반 방법들이 복잡한 심전도 역학과 형태를 포괄하는 데에 한계를 보이는 문제를 해결하기 위해.
• 스펙트로그램 기반 조건부 설정과 명시적 작업 전환을 통해 영향력 있는 조건부 합성 구현을 가능하게 하기 위해.

제안 방법

• 모델은 단일 리드 심전도 신호를 기반으로 훈련된 노이즈 제거 확산 확률 모델(DDPM)을 사용하여 역방향 노이즈 제거 과정을 모델링한다.
• 심전도 신호의 스펙트로그램 표현을 조건부로 설정하여 주파수 인식 신호 생성이 가능하도록 한다.
• 생성, 보간, 예측 작업 간을 명시적으로 전환하기 위한 학습 가능한 조건부 인코딩을 도입한다.
• 시간 임bedding 조건부를 사용한 U-Net 아키텍처를 활용하여 노이즈에서부터 단계적으로 심전도 신호를 생성한다.
• 스펙트로그램 특징는 단기 푸리에 변환(STFT)을 통해 추출되며, 노이즈 제거 과정을 안내하는 데 사용된다.
• 공통 백본과 작업별 조건부 설정을 사용하여, 세 가지 작업 전반에 걸쳐 엔드 투 엔드 훈련 및 추론을 지원한다.

실험 결과

연구 질문

• RQ1 단일 확산 모델이 생성, 보간, 예측과 같은 다수의 심전도 신호 합성 작업을 효과적으로 수행할 수 있는가?
• RQ2 스펙트로그램 기반 조건부 설정은 생성된 심전도 신호의 현실성과 정밀도를 어떻게 향상시키는가?
• RQ3 제안된 조건부 프레임워크는 세 가지 작업 전반에서 FID, RMSE, MMD 지표에서 기존 최신 기술 수준의 모델을 능가하는가?
• RQ4 통합 아키텍처와 영향력 있는 조건부 설정을 통해 일반화 능력과 데이터 효율성이 향상되는가?
• RQ5 합성된 심전도 데이터는 얼마나 다운스트림 분류 성능을 향상시키는가?

주요 결과

• DiffECG는 심박동 생성에서 FID 점수 3.83e-3, 보간에서 N 유형에 대해 2.77e-3을 기록하여 모든 베이스라인을 압도했다.
• F 유형(소수의 부정맥)의 경우, DiffECG는 보간에서 FID 2.74e-2, RMSE 3.17e-2를 기록하여 LSTM, VAE 및 [32]를 크게 능가했다.
• 예측 작업에서 DiffECG는 MMD 0.27을 기록하여 최고의 베이스라인 [32]의 0.14와 유사했으며, 시각적 현실성과 형태 정확도에서 뛰어난 성능을 보였다.
• 정성적 결과에서는 DiffECG가 생성한 심박동이 실제 심전도 형태와 매우 유사한 반면, GAN 기반의 베이스라인은 더 노이즈가 많고 현실감이 떨어지는 신호를 생성했다.
• 보간 결과에서는 DiffECG가 P, QRS, T 등 복잡한 심전도 파형을 LSTM 및 VAE보다 더 잘 유지하는 것으로 나타났으며, 이는 누락 영역을 과도하게 매끄럽게 만드는 경향이 있는 반면 DiffECG는 보다 정밀하게 복원함을 시사한다.
• 모델은 최신 기술 수준의 분류기 성능을 향상시켜, 임상 심전도 분석에서 데이터 증강을 위한 실용성을 확인했다.