[论文解读] Biosignal Generation and Latent Variable Analysis with Recurrent Generative Adversarial Networks

Shota Harada, Hideaki Hayashi+1 more|arXiv (Cornell University)|May 17, 2019

Time Series Analysis and Forecasting参考文献 34被引用 4

一句话总结

本文提出了一种用于生物信号生成的条件循环生成对抗网络（GAN）框架，通过使用类别标签作为条件输入，实现了对时间序列生物信号（如心电图ECG、脑电图EEG）的可控、高保真度合成。通过将典型相关性分析（CCA）应用于潜在变量，该方法揭示并利用了输入与输出之间的关系，从而能够精确控制生成信号的特征（如振幅和频率），在无需领域特定知识的前提下，其生成数据质量与可控性均优于以往基于GAN的方法。

ABSTRACT

The effectiveness of biosignal generation and data augmentation with biosignal generative models based on generative adversarial networks (GANs), which are a type of deep learning technique, was demonstrated in our previous paper. GAN-based generative models only learn the projection between a random distribution as input data and the distribution of training data.Therefore, the relationship between input and generated data is unclear, and the characteristics of the data generated from this model cannot be controlled. This study proposes a method for generating time-series data based on GANs and explores their ability to generate biosignals with certain classes and characteristics. Moreover, in the proposed method, latent variables are analyzed using canonical correlation analysis (CCA) to represent the relationship between input and generated data as canonical loadings. Using these loadings, we can control the characteristics of the data generated by the proposed method. The influence of class labels on generated data is analyzed by feeding the data interpolated between two class labels into the generator of the proposed GANs. The CCA of the latent variables is shown to be an effective method of controlling the generated data characteristics. We are able to model the distribution of the time-series data without requiring domain-dependent knowledge using the proposed method. Furthermore, it is possible to control the characteristics of these data by analyzing the model trained using the proposed method. To the best of our knowledge, this work is the first to generate biosignals using GANs while controlling the characteristics of the generated data.

研究动机与目标

• 开发一种单模型、条件GAN框架，无需领域特定知识即可生成多种生物信号类别。
• 解决标准GAN中输入-输出关系不透明、可解释性与可控性不足的问题。
• 实现对生成生物信号的定量评估，并证明可对特定信号特征（如振幅和频率）进行控制。
• 利用CCA分析潜在空间，将输入条件（如类别标签）映射到生成信号特征的有意义变化。
• 通过用单个条件模型替代每类独立的多个模型，降低训练成本与模型复杂度。

提出的方法

• 设计了一种条件GAN架构，在生成器和判别器网络中均采用长短期记忆（LSTM）单元，以建模生物信号中的时序依赖性。
• 将类别标签用作生成器和判别器的条件输入，使单个模型能够生成多种生物信号类别。
• 对潜在变量应用典型相关性分析（CCA），以揭示输入条件与生成信号特征之间的统计关系。
• 利用CCA结果生成可控的输入向量，以诱导输出信号特征（如平均频率或最大振幅）发生期望变化。
• 采用端到端训练方式，结合对抗损失与重建损失，无需使用领域特定的信号先验知识。
• 通过类别标签之间的插值分析生成信号过渡的平滑性与连续性。

实验结果

研究问题

• RQ1 单个条件GAN模型是否能够以比为每类单独训练模型更低的模型复杂度，高保真度地生成多种生物信号类别（如ECG、EEG）？
• RQ2 如何分析GAN的潜在空间，以揭示输入条件（如类别标签）与生成信号特征之间的关系？
• RQ3 在未对这些特征进行显式监督的情况下，能否通过CCA导出的典型载荷对生成生物信号的特征实现一定程度的控制？
• RQ4 所提出方法在生成质量方面是否与以往基于GAN的生物信号生成方法相当或更优，特别是在与真实数据的定量相似性方面？
• RQ5 通过在潜在空间中对类别标签进行插值，模型是否能够生成平滑且生理上合理的信号过渡，表明其具备平滑且有意义的插值能力？

主要发现

• 所提方法在真实数据与生成数据之间实现了高质量的生物信号生成，基于动态时间规整（DTW）的相似性评分与以往方法相当或更优，包括作者自身先前独立类别模型的结果。
• 模型参数数量减少至先前方法的1/C（C为类别数），显著降低了训练成本与复杂度。
• CCA分析揭示了输入潜在变量与关键信号特征（如最大振幅和平均频率）之间存在强典型相关性，证实了有意义的输入-输出关系。
• 通过基于CCA载荷操纵输入向量，模型成功生成了目标特征（如提高平均频率或降低振幅）发生预期变化的信号，证明了其具备有效的可控性。
• 在类别标签之间进行插值可生成平滑且生理上合理的信号过渡，表明模型捕捉到了有意义的潜在结构。
• 该方法通过潜在空间分析成功控制了训练过程中未显式使用的信号特征（如频率与振幅），证明了CCA在可解释性与控制方面的实用性。