[논문 리뷰] Synthetic ECG Signal Generation Using Generative Neural Networks

Edmond Adib, Fatemeh Afghah외 1명|arXiv (Cornell University)|2021. 12. 05.

ECG Monitoring and Analysis인용 수 16

한 줄 요약

이 논문은 합성 정상 심전도 베이트 생성을 위한 다섯 가지 생성적 적대적 네트워크(GAN) 모델을 평가하며, 임계값 기반 수용, 생산성 비율, 유사도 지표(DTW, 프리셰트, 유클리드)를 사용하는 체계적인 평가 프레임워크를 도입한다. 결과적으로 클래식 GAN은 가장 높은 생산성 비율(72%)을 기록했으며, BiLSTM-DC GAN과 WGAN은 시각적으로 더 수용 가능한 베이트를 생성했다. 합성 데이터 증강은 불균형 데이터셋에서 분류기 성능을 크게 향상시켰다.

ABSTRACT

Electrocardiogram (ECG) datasets tend to be highly imbalanced due to the scarcity of abnormal cases. Additionally, the use of real patients' ECGs is highly regulated due to privacy issues. Therefore, there is always a need for more ECG data, especially for the training of automatic diagnosis machine learning models, which perform better when trained on a balanced dataset. We studied the synthetic ECG generation capability of 5 different models from the generative adversarial network (GAN) family and compared their performances, the focus being only on Normal cardiac cycles. Dynamic Time Warping (DTW), Fréchet, and Euclidean distance functions were employed to quantitatively measure performance. Five different methods for evaluating generated beats were proposed and applied. We also proposed 3 new concepts (threshold, accepted beat and productivity rate) and employed them along with the aforementioned methods as a systematic way for comparison between models. The results show that all the tested models can, to an extent, successfully mass-generate acceptable heartbeats with high similarity in morphological features, and potentially all of them can be used to augment imbalanced datasets. However, visual inspections of generated beats favors BiLSTM-DC GAN and WGAN, as they produce statistically more acceptable beats. Also, with regards to productivity rate, the Classic GAN is superior with a 72% productivity rate. We also designed a simple experiment with the state-of-the-art classifier (ECGResNet34) to show empirically that the augmentation of the imbalanced dataset by synthetic ECG signals could improve the performance of classification significantly.

연구 동기 및 목표

• 정상 베이트 수가 비정상 케이스에 비해 크게 우세한 불균형 심전도 데이터셋 문제를 해결하기 위해.
• 연구 및 훈련을 위한 실제 환자 심전도 데이터 접근을 제한하는 개인정보 및 규제 장벽을 극복하기 위해.
• GAN 기반 합성 심전도 생성 성능을 체계적이고 정량적으로 평가할 수 있는 프레임워크를 개발하기 위해.
• 합성 심전도 베이트를 활용한 데이터 증강을 통해 기계학습 모델 성능을 향상시키기 위해.

제안 방법

• 레드-I 신호에서 합성 정상 심전도 베이트를 생성하기 위해 다섯 가지 GAN 변종—클래식 GAN, DC-DC GAN, AE/VAE-DC GAN, BiLSTM-DC GAN, WGAN—을 사용하였다.
• 세 가지 새로운 평가 개념을 도입: 임계값(수용 가능한 베이트를 정의하기 위해), 수용된 베이트(임계값 내의 베이트), 생산성 비율(각 생성 주기당 수용된 베이트의 비율).
• 생성된 베이트와 실제 베이트를 정량적으로 비교하기 위해 동적 시간 왜곡(DTW), 프리셰트 거리, 유클리드 거리 세 가지 유사도 지표를 적용하였다.
• 다섯 가지 평가 방법을 시행: 유사도 지표(1–3), 임계값 기반 수용(4), 시각적 검토(5), 후자는 정량적 결과의 검증에 사용되었다.
• ECGResNet34를 사용한 이진 분류 실험을 설계하여 합성 데이터 증강이 모델 성능에 미치는 영향을 테스트하였다.
• 실제 데이터, 불균형 데이터, 증강된 데이터를 사용하여 모델의 정확도, 정밀도, 재현율, F1-스코어를 비교하였다.

실험 결과

연구 질문

• RQ1 DTW, 프리셰트, 유클리드 거리로 측정했을 때, 어떤 GAN 모델이 실제 정상 베이트와 가장 높은 형태 유사도를 보였는가?
• RQ2 제안된 생산성 비율 지표는 GAN 모델이 수용 가능한 합성 심전도 베이트를 생성하는 데 있어 효율성을 얼마나 정량적으로 측정하는가?
• RQ3 GAN에 의해 생성된 합성 심전도 데이터는 불균형 실재 데이터셋을 효과적으로 증강하여 후속 분류 성능을 향상시킬 수 있는가?
• RQ4 시각적 검토 결과는 모델 성능 평가에서 정량적 지표와 어떻게 비교되는가?
• RQ5 다양한 GAN 아키텍처는 어떤 정도로 고품질의 형태적으로 현실적인 심전도 베이트 생성 능력에서 차이를 보이는가?

주요 결과

• 클래식 GAN은 72%의 가장 높은 생산성 비율을 기록하여 단위 시간 및 계산 비용 대비 수용 가능한 베이트 생성 효율성이 뛰어났다.
• 비록 약간 낮은 생산성 비율을 보였지만, 시각적 검토 결과 BiLSTM-DC GAN과 WGAN은 다른 모델보다 더 시각적으로 수용 가능한 베이트를 생성했다.
• 유클리드 거리 지표는 형태적 차이를 탐지하지 못해 심전도 베이트 평가에 부적합한 것으로 밝혀졌다. 한 예에서는 최소 거리가 나왔지만 형태적 유사성이 전혀 없었다.
• DTW와 프리셰트 거리 함수는 모든 모델에 대해 일관된 성능 순위를 도출하여 정량적 비교에 신뢰성이 있음을 시사했다.
• 합성 데이터 증강 덕분에 ECGResNet34의 F1-스코어는 불균형 실재 데이터에서의 0.42에서 균형 잡힌 증강 데이터에서의 0.97로 상당히 향상되었으며, 완전히 균형 잡힌 실재 데이터 성능에 가까워졌다.
• 임계값, 수용된 베이트, 생산성 비율을 포함한 제안된 평가 프레임워크는 합성 심전도 생성에서 GAN을 체계적이고 정량적으로 비교할 수 있는 방법을 제공하며, 기존 평가 관행의 격차를 메운다.