[论文解读] Data Augmentation for Electrocardiograms

Aniruddh Raghu, Divya Shanmugam+3 more|arXiv (Cornell University)|Apr 9, 2022

ECG Monitoring and Analysis被引用 8

一句话总结

本文提出 TaskAug，一种可学习的、针对特定任务的体表心电图（ECG）数据增强方法，通过嵌套优化和隐式微分优化增强策略。该方法在八个 ECG 预测任务中均优于固定增强策略，尤其在数据量较少的情况下表现更优，并提供了每项任务下有效变换的可解释性洞察。

ABSTRACT

Neural network models have demonstrated impressive performance in predicting pathologies and outcomes from the 12-lead electrocardiogram (ECG). However, these models often need to be trained with large, labelled datasets, which are not available for many predictive tasks of interest. In this work, we perform an empirical study examining whether training time data augmentation methods can be used to improve performance on such data-scarce ECG prediction problems. We investigate how data augmentation strategies impact model performance when detecting cardiac abnormalities from the ECG. Motivated by our finding that the effectiveness of existing augmentation strategies is highly task-dependent, we introduce a new method, TaskAug, which defines a flexible augmentation policy that is optimized on a per-task basis. We outline an efficient learning algorithm to do so that leverages recent work in nested optimization and implicit differentiation. In experiments, considering three datasets and eight predictive tasks, we find that TaskAug is competitive with or improves on prior work, and the learned policies shed light on what transformations are most effective for different tasks. We distill key insights from our experimental evaluation, generating a set of best practices for applying data augmentation to ECG prediction problems.

研究动机与目标

• 为解决在训练深度学习模型进行心脏病损预测时标注 ECG 数据有限的挑战。
• 探究数据增强是否能提升数据稀缺的 ECG 预测任务的性能。
• 开发一种灵活的、与任务相关的增强策略，针对每个特定预测任务进行优化。
• 为在基于 ECG 的临床预测中应用数据增强提供可操作的最佳实践。

提出的方法

• TaskAug 定义了一个可微分的增强策略，包含可学习的操作选择概率和类别特定的幅度参数。
• 采用嵌套优化和隐式微分，联合优化模型和增强策略参数。
• 该方法支持多种 ECG 特定的增强操作，包括时间扭曲、幅度缩放和频域掩码。
• 通过元学习目标端到端训练增强策略，目标是最大化验证集 AUROC。
• 类别特定的幅度参数允许对正样本和负样本采用不同的增强方式，从而保留任务相关的信号。
• 该框架在三个 ECG 数据集上针对八个不同的预测任务进行了评估，包括心律失常和心肌梗死检测。

实验结果

研究问题

• RQ1 在类别分布和数据集规模各不相同的多样化 ECG 预测任务中，数据增强对性能的影响如何？
• RQ2 在数据稀缺场景下，可学习的、任务特定的增强策略是否能优于固定增强策略？
• RQ3 哪些增强操作对不同类型的心脏异常在 ECG 中最为有效？
• RQ4 类别特定的增强幅度如何影响模型性能和泛化能力？
• RQ5 从学习到的增强策略中可以为新的临床预测任务获得哪些可解释性洞察？

主要发现

• TaskAug 在八个 ECG 预测任务中显著提升了 AUROC 性能，优于或匹配了先前的最先进增强方法。
• 数据增强带来的性能提升在低数据量场景下最为显著，尤其是在正样本比例较低时。
• 通过优化增强策略参数可实现可测量的性能提升，表明策略学习比随机或固定增强更有效。
• 类别特定的幅度参数通过为正负样本提供定制化增强，提升了性能，尤其在 AFib 检测等任务中效果明显。
• 学习到的 TaskAug 策略揭示了任务特定的模式——例如，对于 RVH 等低发生率疾病，幅度缩放更有效；而时间扭曲则更有利于心律失常检测。
• 在高数据量场景下，数据增强不会降低性能，但其增益不够稳定，表明其在数据稀缺时最具价值。