[논문 리뷰] Synthesis of Realistic ECG using Generative Adversarial Networks

Anne Marie Delaney, Eoin Brophy외 1명|arXiv (Cornell University)|2019. 09. 19.

Digital Media Forensic Detection참고 문헌 42인용 수 29

한 줄 요약

이 논문은 이중 방향 LSTM 생성기와 합성곱 판별기들을 사용하여 고해상도이자 프라이버시를 보장하는 합성 심전도 신호를 생성하는 GAN 기반 프레임워크를 제안한다. 실험 결과 4CNN BiLSTM GAN은 다양한 구조적 실재성을 지닌 심전도 파형을 생성하며, 소유자 식별 공격에 강력한 저항성을 보이며 재식별률이 낮고, MMD 및 DTW 평가 지표에서 다른 아키텍처들보다 뛰어난 성능을 보였다.

ABSTRACT

Access to medical data is highly restricted due to its sensitive nature, preventing communities from using this data for research or clinical training. Common methods of de-identification implemented to enable the sharing of data are sometimes inadequate to protect the individuals contained in the data. For our research, we investigate the ability of generative adversarial networks (GANs) to produce realistic medical time series data which can be used without concerns over privacy. The aim is to generate synthetic ECG signals representative of normal ECG waveforms. GANs have been used successfully to generate good quality synthetic time series and have been shown to prevent re-identification of individual records. In this work, a range of GAN architectures are developed to generate synthetic sine waves and synthetic ECG. Two evaluation metrics are then used to quantitatively assess how suitable the synthetic data is for real world applications such as clinical training and data analysis. Finally, we discuss the privacy concerns associated with sharing synthetic data produced by GANs and test their ability to withstand a simple membership inference attack. For the first time we both quantitatively and qualitatively demonstrate that GAN architecture can successfully generate time series signals that are not only structurally similar to the training sets but also diverse in nature across generated samples. We also report on their ability to withstand a simple membership inference attack, protecting the privacy of the training set.

연구 동기 및 목표

• 실제 실수값 시계열 데이터, 특히 정상 리드 II 심전도 신호를 생성할 수 있는 GAN 아키텍처를 개발하는 것.
• 합성 심전도의 품질을 평가하기 위해 최대 평균 차이(MMD)와 동적 시간 왜곡(DTW)이라는 두 가지 지표를 사용하는 것.
• 소유자 식별 공격에 대한 저항성을 테스트하여 합성 심전도 데이터의 프라이버시 위험을 평가하는 것.
• 소형 배치 식별 기능 등 아키텍처 구성 요소가 학습 안정성과 모드 붕괴 방지에 미치는 영향을 조사하는 것.
• GAN을 통해 생성된 합성 심전도가 임상 훈련 및 연구 목적으로 실제 의료 데이터의 실용적이고 프라이버시를 보장하는 대체 자료로 사용될 수 있는지 확인하는 것.

제안 방법

• 랜덤 노이즈를 합성 심전도 신호로 매핑하기 위해 이중 방향 LSTM을 두 개 사용한 생성기를 포함한 GAN 프레임워크를 구현하였다.
• 판별기는 실질적인 심전도 데이터와 합성 샘플을 구분하기 위해 4층의 합성곱-풀링 아키텍처를 사용하였다.
• 학습 과정은 최소화-최대화 목적함수를 따르며, min_G max_D V(G,D) = E_x~p_data[log D(x)] + E_z~p_z[log(1 - D(G(z)))] 로 표현된다.
• 소형 배치 식별 기능을 판별기 내에 통합하여 학습 안정성 향상과 모드 붕괴 방지를 도모하였다.
• 평가에는 분포 유사성 측정을 위한 MMD와 실제 및 합성 심전도 신호 간 시간적 정렬 정도 평가를 위한 DTW를 사용하였다.
• 합성 샘플이 원래 학습 데이터에 대한 정보를 드러내는지 테스트하기 위해 소유자 식별 공격을 적용하였다.

실험 결과

연구 질문

• RQ1 GAN은 실제 심전도 파형과 비교해 구조적이고 시간적으로 현실적인 합성 심전도를 생성할 수 있는가?
• RQ2 여러 번의 학습 실행 동안 가장 다양하고 고품질의 합성 심전도 출력을 제공하는 GAN 아키텍처는 무엇인가?
• RQ3 MMD와 DTW는 GAN이 생성한 시계열 데이터의 정밀도를 평가하는 데 효과적인가?
• RQ4 GAN이 생성한 심전도 데이터는 원래 학습 데이터의 프라이버시를 보호하기 위해 어느 정도의 수준에서 소유자 식별 공격에 저항할 수 있는가?
• RQ5 소형 배치 식별 레이어의 포함 여부가 심전도 생성에서 학습 안정성 향상과 모드 붕괴 방지에 기여하는가?

주요 결과

• 4CNN BiLSTM GAN은 MMD 점수 1.13×10⁻³과 DTW 점수 17.369를 기록하여 실제 심전도와 높은 유사성과 시간적 유사성을 보였다.
• 소형 배치 식별 레이어 없이도 4CNN BiLSTM GAN은 모드 붕괴 없이 다양한 합성 심전도 샘플을 생성하였다.
• ε < 0.3 × 평균 거리인 조건에서 소유자 식별 공격는 학습 기록의 0%만 정확히 식별하였으며, 강력한 프라이버시 보호 효과를 입증하였다.
• DTW는 특히 진폭과 시간 관계를 잘 포착하는 데 있어 MMD보다 학습 불안정성에 더 강건한 것으로 나타났다.
• MMD는 분포 커버리지가 넓은 아키텍처를 선호하여 다양성을 생성하는 GAN를 효과적으로 식별하는 데 유용하였다.
• 결과적으로 GAN는 현실적이면서도 프라이버시를 보장하는 합성 심전도를 생성할 수 있으며, 임상 훈련 및 연구 응용 분야에서 실용적인 대체 자료로 적합하다는 점을 시사한다.