[논문 리뷰] Synthetic ECG Signal Generation using Probabilistic Diffusion Models

Edmond Adib, Amanda Fernandez외 2명|arXiv (Cornell University)|2023. 03. 04.

ECG Monitoring and Analysis인용 수 4

한 줄 요약

이 논문은 GASF/GADF 및 MTF를 통해 1D ECG 시계열을 3채널 2D 공간에 임bedding하는 방식으로 2D 개선된 노이즈 제거 확률적 확산 모델(DDPM)을 사용하여 합성 1D ECG 신호를 생성하는 새로운 파이프라인을 제안한다. DDPM의 우수한 이미지 생성 성능에도 불구하고, 결과는 모든 지표에서 WGAN-GP가 DDPM보다 실감나고 분포적으로 정확하며 분류 가능한 합성 ECG 베이트를 더 잘 생성하는 것으로 나타났다.

ABSTRACT

Deep learning image processing models have had remarkable success in recent years in generating high quality images. Particularly, the Improved Denoising Diffusion Probabilistic Models (DDPM) have shown superiority in image quality to the state-of-the-art generative models, which motivated us to investigate their capability in the generation of the synthetic electrocardiogram (ECG) signals. In this work, synthetic ECG signals are generated by the Improved DDPM and by the Wasserstein GAN with Gradient Penalty (WGAN-GP) models and then compared. To this end, we devise a pipeline to utilize DDPM in its original $2D$ form. First, the $1D$ ECG time series data are embedded into the $2D$ space, for which we employed the Gramian Angular Summation/Difference Fields (GASF/GADF) as well as Markov Transition Fields (MTF) to generate three $2D$ matrices from each ECG time series, which when put together, form a $3$-channel $2D$ datum. Then $2D$ DDPM is used to generate $2D$ $3$-channel synthetic ECG images. The $1D$ ECG signals are created by de-embedding the $2D$ generated image files back into the $1D$ space. This work focuses on unconditional models and the generation of \emph{Normal Sinus Beat} ECG signals exclusively, where the Normal Sinus Beat class from the MIT-BIH Arrhythmia dataset is used in the training phase. The \emph{quality}, \emph{distribution}, and the \emph{authenticity} of the generated ECG signals by each model are quantitatively evaluated and compared. Our results show that in the proposed pipeline and in the particular setting of this paper, the WGAN-GP model is consistently superior to DDPM in all the considered metrics.

연구 동기 및 목표

• 2D 확률적 확산 모델(DDPM)이 합성 1D ECG 신호를 생성하는 데의 가능성을 조사하기 위해.
• DDPM와 WGAN-GP가 생성한 합성 ECG 베이트의 품질, 분포, 진정성 간의 비교를 위해.
• 합성 ECG 신호가 후속 분류 작업을 위한 실제 데이터 증강에 효과적으로 활용될 수 있는지 평가하기 위해.
• 1D 시계열 ECG 데이터에 2D 확산 모델을 적용하기 위한 새로운 데이터 임bedding 및 복원 파이프라인을 수립하기 위해.

제안 방법

• 1D ECG 시계열이 원형 좌표계로 변환되고, 그라미안 각도 합계/차이 필드(GASF/GADF) 및 마코프 전이 필드(MTF)를 통해 2D 공간에 임bedding된다.
• 각 ECG 베이트에 대해 세 개의 2D 행렬(GASF, GADF, MTF)이 하나의 3채널 2D 이미지 유사 표현으로 통합된다.
• 개선된 DDPM 모델이 2D 임bedded 데이터를 기반으로 훈련되고 샘플링되어 합성 2D ECG 이미지를 생성한다.
• 임bedding 과정의 역변환을 통해 생성된 2D 데이터가 다시 1D ECG 신호로 복원된다.
• DDPM의 세 가지 하이퍼파라미터 설정을 평가하고, 그 결과를 WGAN-GP가 생성한 베이트 및 실제 ECG 데이터와 비교한다.
• 평가에는 DTW, Fréchet 거리, MMD를 사용하여 분포 유사도를 측정하고, ResNet34 분류기로 AUC, 정밀도 등의 분류 지표를 사용한다.

실험 결과

연구 질문

• RQ1 GASF/GADF 및 MTF를 통한 2D 임bedding를 통해 2D 확산 모델(Diffusion models)이 실감나는 1D ECG 신호를 효과적으로 생성할 수 있는가?
• RQ2 신호 품질과 분포 충실도 측면에서 DDPM의 합성 ECG 생성 성능이 WGAN-GP에 비해 어떻게 다른가?
• RQ3 DDPM가 생성한 ECG 신호가 후속 분류 작업에서 실제 데이터를 얼마나 효과적으로 대체할 수 있는가?
• RQ4 2D 임bedding 및 복원 파이프라인이 실제 ECG 신호의 형태학적 및 시간적 특성을 유지하는가?

주요 결과

• WGAN-GP는 모든 세 가지 DDPM 하이퍼파라미터 설정보다 신호 품질과 분포 측면에서 실제 베이트에 더 가까운 합성 ECG 베이트를 생성하는 데서 항상 승리했다.
• WGAN-GP의 경우 생성된 베이트와 실제 베이트 간의 평균 DTW 및 Fréchet 거리가 DDPM보다 유의미하게 낮아, 구조적 유사도가 뛰어났다.
• 최대 평균 차이(MMD) 값은 WGAN-GP가 생성한 베이트가 DDPM가 생성한 베이트보다 실제 데이터와 훨씬 더 유사한 분포를 가졌음을 보여주었다.
• ResNet34 모델을 사용한 분류 작업에서, WGAN-GP가 생성한 베이트는 DDPM가 생성한 베이트보다 평균 정밀도, AUC-PR, AUC-ROC 점수에서 높은 성능을 보였다.
• DDPM의 뛰어난 이미지 생성 성능에도 불구하고, 2D 공간에서의 12,288개 파rameter 생성 과정은 1D WGAN-GP의 64개 파rameter보다 덜 최적화된 손실 경로를 유도하여 ECG 신호의 정확도가 떨어졌다.
• 이 연구는 상태별 2D 확산 모델을 사용하더라도, 직접적인 1D 모델링 방식(WGAN-GP)이 2D 임bedding를 통한 방식보다 1D ECG 신호 생성에 더 효과적임을 입증하였다.