[论文解读] A Generative Adversarial Approach To ECG Synthesis And Denoising

Karol Antczak|arXiv (Cornell University)|Sep 6, 2020

ECG Monitoring and Analysis参考文献 24被引用 11

一句话总结

本文提出了一种基于生成对抗网络（GAN）的框架，用于合成逼真的心电图（ECG）信号，并利用这些信号提升去噪自编码器的性能。通过在真实数据基础上加入 GAN 生成的心电图进行数据增强，该模型实现了最先进的滤波质量，且通过迁移学习复用预训练判别器进一步提升了结果。

ABSTRACT

Generative Adversarial Networks (GAN) are known to produce synthetic data that are difficult to discern from real ones by humans. In this paper we present an approach to use GAN to produce realistically looking ECG signals. We utilize them to train and evaluate a denoising autoencoder that achieves state-of-the-art filtering quality for ECG signals. It is demonstrated that generated data improves the model performance compared to the model trained on real data only. We also investigate an effect of transfer learning by reusing trained discriminator network for denoising model.

研究动机与目标

• 通过生成对抗网络（GAN）生成逼真的心电图信号，用于心电图处理中的数据增强。
• 通过在真实与 GAN 生成的心电图数据组合上训练去噪自编码器，提升其性能。
• 研究通过复用 GAN 中预训练判别器来改进去噪自编码器特征学习能力的有效性。
• 评估合成心电图数据在提升去噪模型泛化能力和鲁棒性方面的效果，特别是在未见的噪声心电图样本上。
• 证明 GAN 生成的心电图可作为生物医学信号处理中一种可行且高效的数据增强策略。

提出的方法

• 训练一个条件 GAN，以噪声向量和心电图类别标签为条件，生成逼真的心电图信号。
• 生成器网络学习将随机噪声映射为形态和动态特性与真实心电图相似的心电图波形。
• 判别器网络被训练以区分真实心电图与 GAN 生成的心电图，从而提供对抗性反馈以提升生成结果的逼真度。
• 在结合真实心电图与 GAN 生成心电图的数据集上训练去噪自编码器，以学习鲁棒的噪声去除能力。
• 通过将预训练判别器的特征提取器初始化去噪自编码器的编码器，应用迁移学习以提升特征表示能力。
• 使用标准心电图去噪指标对模型进行评估，比较仅使用真实数据与使用增强数据训练的性能差异。

实验结果

研究问题

• RQ1 GAN 是否能够有效生成在感知和统计特性上与真实心电图难以区分的心电图信号？
• RQ2 在真实心电图基础上加入 GAN 生成信号进行训练的去噪自编码器，其去噪性能是否优于仅使用真实数据训练的模型？
• RQ3 预训练 GAN 中的判别器在多大程度上可被复用于提升去噪自编码器的特征学习能力？
• RQ4 使用合成心电图数据如何影响去噪模型在未见噪声心电图样本上的泛化能力和鲁棒性？
• RQ5 结合 GAN 数据增强与从判别器迁移学习是否是一种适用于低数据量生物医学信号处理的可行策略？

主要发现

• GAN 生成的心电图在视觉和统计特性上与真实心电图无明显差异，表现出高度的逼真度。
• 在真实与 GAN 生成心电图数据上联合训练的去噪自编码器在滤波质量方面达到了最先进的性能，优于仅使用真实数据训练的模型。
• 通过使用预训练判别器的编码器初始化去噪自编码器，实现了更快的收敛速度和更优的性能。
• 使用合成数据显著提升了模型的泛化能力，尤其在真实心电图数据有限的低数据场景下效果明显。
• 结果证实，GAN 生成的心电图是生物医学信号去噪中一种有效且可行的数据增强策略。
• 该方法表明，对抗训练与迁移学习可协同提升深度学习模型在心电图信号处理中的性能。