[论文解读] Deep Generative Models for Physiological Signals: A Systematic Literature Review

Nour Neifar, Afef Mdhaffar+2 more|arXiv (Cornell University)|Jul 12, 2023

EEG and Brain-Computer InterfacesNeuroscience被引用 3

一句话总结

本篇系统性文献回顾综合了用于心电图（ECG）、脑电图（EEG）、光电容积脉搏波（PPG）和肌电图（EMG）等生理信号的最先进深度生成模型，特别是生成对抗网络（GANs）、变分自编码器（VAEs）和扩散模型。研究识别出数据增强和去噪等关键应用，指出训练不稳定性与信号复杂性等主要挑战，并强调需要建立标准化的评估协议以及整合生理先验知识，以推动临床应用的发展。

ABSTRACT

In this paper, we present a systematic literature review on deep generative models for physiological signals, particularly electrocardiogram (ECG), electroencephalogram (EEG), photoplethysmogram (PPG) and electromyogram (EMG). Compared to the existing review papers, we present the first review that summarizes the recent state-of-the-art deep generative models. By analyzing the state-of-the-art research related to deep generative models along with their main applications and challenges, this review contributes to the overall understanding of these models applied to physiological signals. Additionally, by highlighting the employed evaluation protocol and the most used physiological databases, this review facilitates the assessment and benchmarking of deep generative models.

研究动机与目标

• 提供当前用于分析心电图（ECG）、脑电图（EEG）、光电容积脉搏波（PPG）和肌电图（EMG）信号的深度生成模型最先进技术的全面概述。
• 识别在生理信号处理中应用最广泛的深度生成模型架构及其实际应用场景。
• 分析在复杂、动态的生理信号上训练和部署这些模型所面临的主要挑战。
• 回顾文献中用于支持可复现研究的现有评估协议和基准数据集。
• 指出未来研究方向，包括整合生理先验知识以及开展多模态信号分析。

提出的方法

• 遵循PRISMA指南开展系统性文献回顾（SLR），以识别并分析66篇关于生理信号深度生成模型的原始研究。
• 研究聚焦于四种关键生理信号：心电图（ECG）、脑电图（EEG）、光电容积脉搏波（PPG）和肌电图（EMG），依据相关性和方法严谨性设定明确的纳入与排除标准。
• 数据提取内容包括模型架构、应用场景、评估指标、所用数据集以及报告的挑战。
• 分析将模型归类为三大类：生成对抗网络（GANs）、变分自编码器（VAEs）和扩散模型。
• 通过标准化指标评估模型性能，并在MIT-BIH心律失常数据库、PTB-XL、DEAP和Sleep-EDF等公开数据库上对结果进行基准测试。
• 开展对比综合分析，以识别模型设计与评估协议中的趋势、局限与机遇。

实验结果

研究问题

• RQ1 在心电图（ECG）、光电容积脉搏波（PPG）、脑电图（EEG）和肌电图（EMG）信号中，最常使用的深度生成模型类别是什么？
• RQ2 这些深度生成模型类别在生理信号分析中的实际应用方式是什么？
• RQ3 在心电图（ECG）、光电容积脉搏波（PPG）、脑电图（EEG）和肌电图（EMG）信号中使用深度生成模型所面临的主要挑战是什么？
• RQ4 评估深度生成模型性能的常用评估协议是什么？
• RQ5 文献中用于评估深度生成模型的生理数据集有哪些？

主要发现

• 生成对抗网络（GANs）、变分自编码器（VAEs）和扩散模型是用于生理信号生成与处理的最广泛采用的深度生成架构。
• 这些模型主要应用于数据增强、去噪和缺失值填补任务，以提升下游诊断模型的鲁棒性与泛化能力。
• 在应用这些模型时面临的主要挑战是训练不稳定性，尤其是在生成对抗网络（GANs）中，这主要源于生理信号的复杂性和非平稳性。
• 最常使用的数据库包括MIT-BIH心律失常数据库、PTB-XL（用于心电图）、DEAP和SEED（用于脑电图），以及Sleep-EDF（用于包含肌电图和脑电图的多模态信号）。
• 各研究之间缺乏标准化的评估协议与指标，导致跨模型比较与基准测试困难。
• 未来研究应聚焦于将生理先验知识整合到模型架构中，并利用多模态或多导联信号信息，以提升模型的可解释性与性能。