[논문 리뷰] SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification

Tomer Golany, Daniel Z. Freedman외 1명|arXiv (Cornell University)|2020. 06. 27.

ECG Monitoring and Analysis인용 수 30

한 줄 요약

이 논문은 심장 시뮬레이터(ODE)를 GAN 학습에 주입해 형태학적으로 현실적인 ECG 심박을 합성하고, MIT-BIH 데이터에서 심전도 심박 분류를 향상시킵니다.

ABSTRACT

Generating training examples for supervised tasks is a long sought after goal in AI. We study the problem of heart signal electrocardiogram (ECG) synthesis for improved heartbeat classification. ECG synthesis is challenging: the generation of training examples for such biological-physiological systems is not straightforward, due to their dynamic nature in which the various parts of the system interact in complex ways. However, an understanding of these dynamics has been developed for years in the form of mathematical process simulators. We study how to incorporate this knowledge into the generative process by leveraging a biological simulator for the task of ECG classification. Specifically, we use a system of ordinary differential equations representing heart dynamics, and incorporate this ODE system into the optimization process of a generative adversarial network to create biologically plausible ECG training examples. We perform empirical evaluation and show that heart simulation knowledge during the generation process improves ECG classification.

연구 동기 및 목표

• GAN 프레임워크에 ODE를 기반으로 한 심장 역학 시뮬레이터를 통합하여 ECG 심박 생성을 안내한다.
• 시뮬레이터 가이드 합성 ECG가 감독 학습 딥러닝 분류를 개선함을 입증한다.
• SimGAN을 골드-표준 ECG 데이터 세트에서 평가하고 최첨단 베이스라인과 비교한다.
• 재현성과 후속 연구를 가능하게 하는 코드를 공유한다.

제안 방법

• 생성기가 216포인트 심박 벡터를 출력하는 GAN으로 ECG 심박 생성을 모델링한다.
• ECG 발진기의 ODE를 만족하도록 생성 신호를 강제하는 오일러 기반 시뮬레이터 거리 손실을 삽입한다.
• 생성기를 학습시키기 위해 교차 엔트로피 GAN 손실과 시뮬레이터 거리(Euler 손실)를 정의한다.
• 심박 클래스 레이블에 조건부로 작동하는 클래스 특화 판별기와 생성기를 사용한다.
• 시뮬레이터 가이드 합성 심박으로 보강된 실제 데이터를 대상으로 ResNet 기반 분류기를 훈련한다.

실험 결과

연구 질문

• RQ1 생리학적 심장 시뮬레이터가 GAN으로 생성된 ECG 심박의 현실성과 형태를 무작위 노이즈 생성 이상으로 향상시킬 수 있는가?
• RQ2 시뮬레이터 가이드 합성 ECG가 MIT-BIH 데이터에서 표준 GAN이나 시뮬레이터 단독 데이터와 비교하여 딥러닝 심박 분류를 향상시키는가?
• RQ3 합성 데이터로 보강될 때 SimGAN의 성능이 최첨단 ECG 분류 방법과 어떻게 비교되는가?

주요 결과

• SimDCGAN은 SVEB, Fusion, VEB 클래스에서 정밀도-재현율 곡선 기준으로 지속적으로 다른 생성 모델을 능가한다.
• 이전 연구와 비교하여 SimDCGAN은 더 높은 정밀도와 재현율을 제공한다(예: SVEB: 0.41 재현, 0.80 정밀; Fusion: 0.60 재현, 0.40 정밀; VEB: 0.91 재현, 0.84 정밀).
• 시뮬레이션 데이터를 단독으로 추가하면 기본 ResNet 모델보다 성능이 향상되고, 평가된 방법들 중에서 SimDCGAN이 가장 큰 이득을 제공한다.
• 주요 심박 클래스(SVEB 및 Fusion)에서 SimDCGAN은 RefineGAN 및 일반 시뮬레이터 기반 보강보다 우수하다.
• 이 방법은 시뮬레이터 가이드 합성 심박을 통합할 때 MIT-BIH 데이터에서 평가된 설정 내에서 최첨단 결과를 달성한다.