[論文レビュー] Synthesis of Realistic ECG using Generative Adversarial Networks

Anne Marie Delaney, Eoin Brophy+1 more|arXiv (Cornell University)|Sep 19, 2019

Digital Media Forensic Detection参考文献 42被引用数 29

ひとこと要約

本稿では、双方向LSTM生成器と畳み込み型識別器を用いて、高精細でプライバシー保護された合成心電図（ECG）信号を生成するGANベースのフレームワークを提案する。4CNN BiLSTM GANは、多様で構造的に現実的なECG波形を生成し、メンバーインファレンス攻撃に対して強く耐性を持つことが示され、再識別率が低く、MMDおよびDTW評価指標において他のアーキテクチャを上回っている。

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.

研究の動機と目的

• 実際の実数値時系列データ、特に正常リードII ECG信号を生成できるGANアーキテクチャを開発すること。
• 合成ECGの品質を評価するための2つの指標として、最大平均差分（MMD）と動的時間ワープング（DTW）を用いること。
• メンバーインファレンス攻撃を用いて、合成ECGデータのプライバシーリスクを評価すること。
• ミニバッチ識別のようなアーキテクチャ的要因が、訓練の安定性とモード崩壊の防止に与える影響を調査すること。
• GANによって生成された合成ECGが、臨床的トレーニングや研究のための実用的でプライバシー保護された代替データとして有効であるかどうかを検証すること。

提案手法

• ランダムノイズを合成ECG信号にマップするため、2つの双方向LSTMを用いた生成器を備えたGANフレームワークを実装する。
• 識別器は、実ECGデータと合成サンプルを区別するための4層の畳み込み-プーリングアーキテクチャを採用する。
• 訓練プロセスはミニマックス目的に従う：min_G max_D V(G,D) = E_x~p_data[log D(x)] + E_z~p_z[log(1 - D(G(z)))]
• 訓練の安定性を向上させ、モード崩壊を防止するために、識別器にミニバッチ識別を組み込む。
• 評価には、分布の類似度を測定するMMDと、実ECGと合成ECG信号間の時間的整合性を評価するDTWを用いる。
• メンバーインファレンス攻撃を適用し、合成サンプルが元のトレーニングデータに関する情報を露呈するかどうかをテストする。

実験結果

リサーチクエスチョン

• RQ1 GANは、実ECG波形と比較して、構造的および時間的に現実的な合成ECG信号を生成できるか？
• RQ2 複数回のトレーニング実行において、どのGANアーキテクチャが最も多様で高品質な合成ECG出力を得られるか？
• RQ3 MMDとDTWは、GANによって生成された時系列データの忠実度を評価する指標として、どの程度有効か？
• RQ4 GANによって生成されたECGデータは、元のトレーニングデータのプライバシーを保護する上で、どの程度の耐性を持つのか？
• RQ5 ミニバッチ識別レイヤーの導入は、ECG生成における訓練の安定性を向上させ、モード崩壊を防止するか？

主な発見

• 4CNN BiLSTM GANは、MMDスコア1.13×10⁻³およびDTWスコア17.369を達成し、実ECGと高い類似性と時間的類似性を示した。
• ミニバッチ識別レイヤーがなくても、4CNN BiLSTM GANはモード崩壊を示さず、多様な合成ECGサンプルを生成した。
• ε < 0.3 × 平均距離の場合、メンバーインファレンス攻撃はトレーニング記録の0%を正しく特定したため、強力なプライバシー保護が実現された。
• DTWは、特にアテネーションとタイミングの関係を捉える上で、MMDよりも訓練の不安定性に対してより頑健であることが判明した。
• MMDは、分布カバレッジが広いアーキテクチャを好むため、多様な出力を生成するGANを特定するのには有効であった。
• 結果から、GANは現実的でプライバシー保護された合成ECGを生成でき、臨床的トレーニングや研究用途に適していることが示唆された。