[论文解读] Electrocardiogram Generation and Feature Extraction Using a Variational Autoencoder

V.V. Kuznetsov, V. A. Moskalenko+1 more|ArXiv.org|Feb 1, 2020

ECG Monitoring and Analysis参考文献 6被引用 20

一句话总结

本文提出一种变分自编码器（VAE），用于生成逼真的单次心动周期心电图（ECG）信号，并从中提取25个可解释的、解耦的特征。该方法实现了3.83×10⁻³的低最大均值差异（MMD）值，表明合成ECG质量较高；所提取的特征具有强可解释性，可提升心血管疾病诊断性能，并增强监督学习的数据增强效果。

ABSTRACT

We propose a method for generating an electrocardiogram (ECG) signal for one cardiac cycle using a variational autoencoder. Using this method we extracted a vector of new 25 features, which in many cases can be interpreted. The generated ECG has quite natural appearance. The low value of the Maximum Mean Discrepancy metric, 0.00383, indicates good quality of ECG generation too. The extracted new features will help to improve the quality of automatic diagnostics of cardiovascular diseases. Also, generating new synthetic ECGs will allow us to solve the issue of the lack of labeled ECG for use them in supervised learning.

研究动机与目标

• 开发一种深度生成模型，用于合成逼真的单次心动周期心电图信号，以解决监督学习中的数据稀缺问题。
• 利用变分自编码器架构从心电图信号中提取一组新的、可解释的特征。
• 通过改进特征表示，提升自动心血管疾病诊断的质量。
• 通过独立调节潜在特征，实现心电图的可控生成，从而增强可解释性与分析能力。

提出的方法

• 设计了一种条件变分自编码器（VAE），采用双分支编码器结构：卷积分支与全连接分支，两者均输出25维向量。
• 编码器将输入的心动周期（长度为400）映射到25维潜在空间，将后验分布建模为具有可学习均值与对数方差的多元正态分布。
• 通过重参数化技巧从学习到的正态分布中采样潜在向量，以支持反向传播。
• 解码器使用转置卷积与全连接结构，从25维潜在码重建心电图，并从两个分支引入跳跃连接。
• 损失函数结合了后验分布与先验分布之间的Kullback–Leibler（KL）散度，以及重建信号与原始信号之间的均方误差（MSE）。
• 模型在2,033例10秒、12导联、采样率为500 Hz的心电图信号中提取的252,636个心动周期上进行训练。

实验结果

研究问题

• RQ1 变分自编码器能否生成在视觉和统计上与真实心电图无法区分的合成心电图信号？
• RQ2 VAE中学习到的25维潜在特征是否对应于有意义且可解释的心电图生理特征？
• RQ3 对单个潜在特征进行可控调节，是否能产生可预测的生成心电图形态变化？
• RQ4 生成的心电图数据在多大程度上能提升下游诊断模型的性能？

主要发现

• 生成的心电图信号呈现出自然外观，经由生成样本的定性检查确认其视觉逼真性。
• 真实与生成心电图分布之间的最大均值差异（MMD）为3.83×10⁻³，表明生成质量较高；尽管高于最优GAN方法的结果（1.05×10⁻³），但因训练数据与目标不同，二者不可直接比较。
• 提取的25个潜在特征具有高度可解释性：在固定其他特征时，单独改变某一特征可导致心电图形态的可预测变化，如改变T波振幅或ST段压低程度。
• 该方法可通过调节单个潜在变量实现心电图的可控生成，证明了所学习特征的解耦性与可解释性。
• 该方法为监督学习任务中的心电图数据增强提供了可行方案，有效缓解了标注心电图数据有限的问题。