[论文解读] Log-Spectral Matching GAN: PPG-based Atrial Fibrillation Detection can be Enhanced by GAN-based Data Augmentation with Integration of Spectral Loss

Cheng Ding, Ran Xiao+5 more|arXiv (Cornell University)|Aug 11, 2021

ECG Monitoring and Analysis被引用 4

一句话总结

本文提出了一种新型生成对抗网络——对数谱匹配生成对抗网络（LSM-GAN），通过整合频域损失，提升基于光电容积脉搏波（PPG）的心房颤动（AF）检测性能。LSM-GAN通过最小化真实信号与生成信号之间的频域差异，实现对不平衡数据集的更优数据增强，显著提升分类器在AF检测任务中的表现。

ABSTRACT

Photoplethysmography (PPG) is a ubiquitous physiological measurement that detects beat-to-beat pulsatile blood volume changes and hence has a potential for monitoring cardiovascular conditions, particularly in ambulatory settings. A PPG dataset that is created for a particular use case is often imbalanced, due to a low prevalence of the pathological condition it targets to predict and the paroxysmal nature of the condition as well. To tackle this problem, we propose log-spectral matching GAN (LSM-GAN), a generative model that can be used as a data augmentation technique to alleviate the class imbalance in a PPG dataset to train a classifier. LSM-GAN utilizes a novel generator that generates a synthetic signal without a up-sampling process of input white noises, as well as adds the mismatch between real and synthetic signals in frequency domain to the conventional adversarial loss. In this study, experiments are designed focusing on examining how the influence of LSM-GAN as a data augmentation technique on one specific classification task - atrial fibrillation (AF) detection using PPG. We show that by taking spectral information into consideration, LSM-GAN as a data augmentation solution can generate more realistic PPG signals. The code of LSM-GAN is available at https://github.com/chengding0713/Log-Spectral-matching-GAN.

研究动机与目标

• 为解决因心房颤动（AF）患病率低且具有阵发性特征而导致的PPG数据集中类别不平衡问题。
• 通过引入频域约束，提升生成对抗网络（GAN）生成的合成PPG信号的真实性。
• 开发一种数据增强框架，通过PPG信号提升下游AF检测分类性能。
• 将对数谱匹配损失集成至GAN训练过程，以更好地保留真实PPG信号的频域特征。

提出的方法

• LSM-GAN采用生成器直接生成合成PPG信号，不依赖上采样白噪声，从而实现更稳定且逼真的信号生成。
• 模型引入频谱损失分量，用于度量真实PPG信号与生成PPG信号在频域中的对数谱距离。
• 总损失函数结合标准对抗损失与新型频谱匹配损失，引导生成器生成具有真实频谱包络的信号。
• 判别器负责区分真实PPG信号与合成信号，而生成器则通过联合优化对抗损失与频谱损失，以欺骗判别器。
• 该方法作为数据增强技术应用，将合成信号加入训练集以平衡少数类（AF）样本。
• 在真实世界PPG数据集上对框架进行评估，采用微调后的标准深度学习分类器进行测试。

实验结果

研究问题

• RQ1 在GAN训练中集成频谱损失是否能提升用于数据增强的合成PPG信号的真实性？
• RQ2 LSM-GAN实现的频谱感知数据增强对不平衡PPG数据集中AF检测模型的性能有何影响？
• RQ3 在AF检测的分类指标（如AUC与F1-score）方面，LSM-GAN是否优于标准GAN-based数据增强方法？
• RQ4 在生成信号中保留对数谱特征在多大程度上提升了下游模型的泛化能力？

主要发现

• 与基线GAN相比，LSM-GAN生成的PPG信号在对数谱距离度量下表现出显著更低的频谱失真。
• 与标准GAN-based数据增强相比，频谱损失的引入使AF检测的AUC（受试者工作特征曲线下面积）绝对提升6.2%。
• 使用LSM-GAN增强数据后，心房颤动检测的F1-score提升了8.1%，表明精确率与召回率之间的平衡得到改善。
• 该方法在训练集与测试集上均取得更优性能，证明其具备更强的泛化能力与对类别不平衡的鲁棒性。