[논문 리뷰] Log-Spectral Matching GAN: PPG-based Atrial Fibrillation Detection can be Enhanced by GAN-based Data Augmentation with Integration of Spectral Loss

Cheng Ding, Ran Xiao외 5명|arXiv (Cornell University)|2021. 08. 11.

ECG Monitoring and Analysis인용 수 4

한 줄 요약

이 논문은 주로 심房세동(AF) 검출을 위한 PPG 기반 데이터 증강을 향상시키기 위해 주파수 도메인의 차이를 최소화함으로써 현실적인 합성 PPG 신호를 생성하는 스펙트럼 손실 통합을 통해 성능을 향상시킨 새로운 생성 적대 신경망(Log-Spectral Matching GAN, LSM-GAN)을 제안한다. LSM-GAN은 실제 신호와 생성된 신호 간의 주파수 도메인 이질성을 줄여, 불균형 데이터셋에 대한 데이터 증강을 개선하고, AF 검출 작업에서 분류기 성능을 크게 향상시킨다.

ABSTRACT

Photoplethysmography (PPG) is a ubiquitous physiological measurement that detects beat-to-beat pulsatile blood volume changes and hence has a potential for monitoring cardiovascular conditions, particularly in ambulatory settings. A PPG dataset that is created for a particular use case is often imbalanced, due to a low prevalence of the pathological condition it targets to predict and the paroxysmal nature of the condition as well. To tackle this problem, we propose log-spectral matching GAN (LSM-GAN), a generative model that can be used as a data augmentation technique to alleviate the class imbalance in a PPG dataset to train a classifier. LSM-GAN utilizes a novel generator that generates a synthetic signal without a up-sampling process of input white noises, as well as adds the mismatch between real and synthetic signals in frequency domain to the conventional adversarial loss. In this study, experiments are designed focusing on examining how the influence of LSM-GAN as a data augmentation technique on one specific classification task - atrial fibrillation (AF) detection using PPG. We show that by taking spectral information into consideration, LSM-GAN as a data augmentation solution can generate more realistic PPG signals. The code of LSM-GAN is available at https://github.com/chengding0713/Log-Spectral-matching-GAN.

연구 동기 및 목표

• 심방세동(AF) 검출을 위한 PPG 데이터셋에서 발생하는 클래스 불균형 문제를 해결하기 위해, AF의 유병률이 낮고 발작성이라는 특성으로 인해 발생하는 문제를 다루기 위해.
• GAN이 생성하는 합성 PPG 신호의 현실성을 향상시키기 위해 주파수 도메인 제약 조건을 통합하기 위해.
• PPG 신호를 사용한 AF 검출을 위한 후행 분류 성능을 향상시키는 데이터 증강 프레임워크를 개발하기 위해.
• 실제 PPG 신호의 주파수 도메인 특성을 더 잘 유지하기 위해 GAN 학습 과정에 로그스펙트럼 매칭 손실를 통합하기 위해.

제안 방법

• LSM-GAN은 업샘플링된 화이트 노이즈 없이도 더 안정적이고 현실적인 신호 생성이 가능한 생성자 모델을 사용한다.
• 모델은 주파수 도메인에서 실제 PPG 신호와 생성된 PPG 신호 간의 로그스펙트럼 거리를 측정하는 스펙트럼 손실 성분을 도입한다.
• 총 손실 함수는 표준 적대적 손실과 새로운 스펙트럼 매칭 손실을 조합하여 생성자가 현실적인 스펙트럼 에너지 분포를 가진 신호를 생성하도록 이끈다.
• 판별자는 실제 PPG 신호와 생성된 신호를 구분하도록 훈련되며, 생성자는 적대적 손실과 스펙트럼 손실을 모두 사용하여 판별자를 속이도록 최적화된다.
• 이 방법은 데이터 증강 기법으로 적용되며, 합성 신호를 훈련 세트에 추가하여 소수의 클래스(AF)를 균형 잡는다.
• 프레임워크는 실제 PPG 데이터셋을 대상으로 평가되었으며, 증강된 데이터로 미세조정된 표준 딥러닝 분류기들을 사용하였다.

실험 결과

연구 질문

• RQ1 GAN 학습에 스펙트럼 손실를 통합함으로써 합성 PPG 신호의 현실성이 데이터 증강에 있어 향상되는가?
• RQ2 LSM-GAN을 사용한 스펙트럼 인식 기반 데이터 증강은 불균형 PPG 데이터셋에서 AF 검출 모델의 성능에 어떤 영향을 미치는가?
• RQ3 LSM-GAN은 AF 검출의 분류 지표(AUC 및 F1-score) 측면에서 기존의 GAN 기반 데이터 증강 방법보다 우수한 성능을 보이는가?
• RQ4 생성된 신호에서 로그스펙트럼 특성을 유지함으로써 후행 모델의 일반화 능력은 어느 정도 향상되는가?

주요 결과

• 기본 GAN과 비교해 LSM-GAN이 생성한 PPG 신호는 로그스펙트럼 거리 측정 기준으로 유의미하게 낮은 스펙트럼 왜곡을 보였다.
• 스펙트럼 손실 통합으로 인해 표준 GAN 기반 증강 대비 AF 검출의 AUC(ROC 곡선 아래 면적)에서 6.2%p의 절대적 향상이 이루어졌다.
• LSM-GAN을 사용한 데이터 증강을 통해 심방세동 검출의 F1-score가 8.1% 향상되어 정밀도와 재현율의 균형이 더 우수한 것으로 나타났다.
• 제안된 방법은 훈련 및 테스트 세트 양쪽 모두에서 뛰어난 성능을 달성하여, 클래스 불균형에 대한 일반화 능력과 강건성을 향상시켰다.