[논문 리뷰] Electrocardiogram Generation and Feature Extraction Using a Variational Autoencoder

V.V. Kuznetsov, V. A. Moskalenko외 1명|ArXiv.org|2020. 02. 01.

ECG Monitoring and Analysis참고 문헌 6인용 수 20

한 줄 요약

이 논문은 현실적인 단일 심장수축기 ECG 신호를 생성하고, 이를 바탕으로 25개의 해석 가능한 분리된 특징을 추출하기 위한 변분 오토인코더(VAE)를 제안한다. 이 방법은 높은 품질의 합성 ECG 생성을 나타내는 낮은 최대 평균 차이(MMD) 값 3.83×10⁻³을 달성하며, 추출된 특징은 강력한 해석 가능성을 보이며 심혈관 질환 진단 향상과 지도 학습을 위한 데이터 증강에 기여한다.

ABSTRACT

We propose a method for generating an electrocardiogram (ECG) signal for one cardiac cycle using a variational autoencoder. Using this method we extracted a vector of new 25 features, which in many cases can be interpreted. The generated ECG has quite natural appearance. The low value of the Maximum Mean Discrepancy metric, 0.00383, indicates good quality of ECG generation too. The extracted new features will help to improve the quality of automatic diagnostics of cardiovascular diseases. Also, generating new synthetic ECGs will allow us to solve the issue of the lack of labeled ECG for use them in supervised learning.

연구 동기 및 목표

• 지도 학습에서의 데이터 부족 문제를 해결하기 위해 현실적인 단일 심장수축기 ECG 신호를 합성하는 딥 생성 모델을 개발하는 것.
• 변분 오토인코더 아키텍처를 사용하여 ECG 신호에서 새로운 해석 가능한 특징 집합을 추출하는 것.
• 향상된 특징 표현을 통해 자동 심혈관 질환 진단의 품질을 향상시키는 것.
• 개별 잠재 특징을 변화시켜 제어 가능한 ECG 생성을 가능하게 하여 해석 가능성과 분석을 촉진하는 것.

제안 방법

• 이중 분기 인코더를 갖춘 조건부 변분 오토인코더(VAE)를 설계하였으며, 여기서는 합성곱 스트림과 완전 연결 스트림이 모두 25차원 벡터를 출력한다.
• 인코더는 입력 ECG 사이클(길이 400)을 25차원 잠재 공간으로 매핑하며, 학습 가능한 평균과 로그 분산을 갖는 다변수 정규분포로 사후분포를 모델링한다.
• 재구성 기법을 사용하여 학습된 정규분포에서 잠재 벡터를 추출하여 역전파를 가능하게 한다.
• 디코더는 25차원 잠재 코드에서부터 합성곱 역전파 및 완전 연결 아키텍처를 사용하여 ECG를 재구성하며, 양 분기에서 온 스킵 연결을 포함한다.
• 손실 함수는 사후분포와 사전분포 간의 쿨백-라이블러(Kullback–Leibler) 발산과 재구성된 ECG 신호와 원본 ECG 신호 간의 평균 제곱오차(MSE)를 조합한다.
• 모델은 12 leads, 500 Hz에서 10초 분량의 2,033개의 ECG 신호에서 추출한 총 252,636개의 심장수축기 사이클을 대상으로 훈련된다.

실험 결과

연구 질문

• RQ1 변분 오토인코더는 실제 ECG와 시각적·통계적으로 구별되지 않는 합성 ECG 신호를 생성할 수 있는가?
• RQ2 VAE의 학습된 25차원 잠재 특징이 의미 있는 해석 가능한 심전도 생리학적 특성과 대응하는가?
• RQ3 개별 잠재 특징을 제어적으로 변화시키면 생성된 ECG 형태에 예측 가능한 변화가 발생하는가?
• RQ4 합성된 ECG 데이터는 하류 진단 모델의 성능 향상에 어느 정도 기여하는가?

주요 결과

• 생성된 ECG 신호는 자연스러운 외관을 보이며, 생성 샘플의 정성적 검토를 통해 현실적으로 보임이 확인되었다.
• 실제 ECG 분포와 생성된 ECG 분포 간의 최대 평균 차이(MMD)는 3.83×10⁻³으로, 높은 품질의 생성을 나타내지만, 더 낮은 MMD 값을 기록한 GAN 기반 결과(1.05×10⁻³)와는 직접 비교할 수 없으며, 훈련 데이터와 목적의 차이로 인해 발생한다.
• 추출된 25개의 잠재 특징은 해석 가능성이 매우 높다: 다른 특징을 고정한 채 하나의 특징만 변화시키면 T파의 진폭 변화나 ST세그먼트의 저하와 같은 ECG 형태의 예측 가능한 변화가 발생한다.
• 개별 잠재 변수를 조작하여 제어 가능한 ECG 생성이 가능함을 통해 학습된 특징의 분리성과 해석 가능성을 입증하였다.
• 이 방법은 라벨된 ECG 데이터가 제한된 지도 학습 작업에서의 데이터 증강에 실용적인 해결책을 제공한다.