[论文解读] Quick and Easy Time Series Generation with Established Image-based GANs

Eoin Brophy, Zhengwei Wang+1 more|arXiv (Cornell University)|Feb 14, 2019

Anomaly Detection Techniques and Applications参考文献 6被引用 28

一句话总结

本文提出了一种简单且灵活的方法，通过将时间序列转换为栅格化的灰度图像，利用成熟的基于图像的生成对抗网络（GAN）生成单通道时间序列数据，训练带有梯度惩罚的Wasserstein GAN，并从生成的图像中重建合成时间序列。该方法实现了稳定的训练过程，能够生成长达4096个点的逼真正弦、PPG和ECG信号，其性能仅受图像分辨率限制，定量指标（FID：72.53–109.17）证实了合成数据与真实数据在分布上的相似性。

ABSTRACT

In the recent years Generative Adversarial Networks (GANs) have demonstrated significant progress in generating authentic looking data. In this work we introduce our simple method to exploit the advancements in well established image-based GANs to synthesise single channel time series data. We implement Wasserstein GANs (WGANs) with gradient penalty due to their stability in training to synthesise three different types of data; sinusoidal data, photoplethysmograph (PPG) data and electrocardiograph (ECG) data. The length of the returned time series data is limited only by the image resolution, we use an image size of 64x64 pixels which yields 4096 data points. We present both visual and quantitative evidence that our novel method can successfully generate time series data using image-based GANs.

研究动机与目标

• 为解决在保护隐私的前提下生成逼真单通道时间序列数据的挑战，特别是针对敏感的生理数据。
• 利用成熟的基于图像的GAN模型——特别是WGAN-GP——实现时间序列合成，从而规避循环GAN训练中的不稳定性问题。
• 实现无需定制架构或大量超参数调优即可轻松部署时间序列生成的方案，借助现成的GAN框架。
• 证明时间序列可被有效编码为图像并以高保真度重建，从而促进科学研究中的数据共享与可复现性。
• 提供一种实用且对初学者友好的时间序列生成解决方案，支持灵活的序列长度，并可扩展至多通道数据。

提出的方法

• 将时间序列数据分割为固定长度的窗口，并根据振幅将数据映射为灰度像素值，以保留时间结构。
• 将每个时间序列窗口栅格化为64×64像素的图像，将一维信号转换为适合基于图像的GAN的二维空间表示。
• 在栅格化图像上训练带有梯度惩罚的Wasserstein GAN（WGAN-GP），以学习底层数据分布，确保训练稳定性。
• 判别器网络通过梯度惩罚强制满足1-Lipschitz约束，避免标准WGAN中因权重裁剪导致的梯度消失/爆炸问题。
• 通过训练好的生成器生成合成图像，并利用反向变换将像素强度映射回振幅值，从而将图像还原为时间序列。
• 对重建后的时间序列应用后处理操作（如低通滤波），以减少高频噪声，同时保留关键信号特征。

实验结果

研究问题

• RQ1 成熟的基于图像的GAN是否可通过图像栅格化被有效重用于单通道时间序列生成？
• RQ2 所提出的方法在多大程度上保留了真实时间序列数据（如正弦、PPG和ECG信号）的时间与频谱特性？
• RQ3 在使用FID和MMD指标评估时，WGAN-GP框架在生成时间序列数据方面的性能表现如何？
• RQ4 该方法可实现的最大序列长度是多少？其受图像分辨率的何种限制？
• RQ5 该方法是否可推广至除测试的生理信号外的其他类型单通道时间序列数据？

主要发现

• WGAN-GP模型实现了稳定的训练，生成的合成时间序列在视觉和定量上均与真实信号相似，FID得分分别为：正弦信号72.53，PPG信号86.74，ECG信号109.17。
• MMD值分别为：正弦信号71.75，PPG信号86.55，ECG信号111.36，表明真实分布与生成分布之间存在可测量但非显著的距离，且该距离随训练过程逐渐减小。
• 真实与生成数据分布之间的Wasserstein-1距离在300个训练周期内持续减小，证实了分布对齐的逐步实现。
• 重建后的时间序列表现出信号特异性特征（如ECG中的QRS波群和PPG中的脉动模式），证实该方法能够捕捉底层动力学。
• 原始重建中观察到高频噪声，但应用低通滤波后显著提升了信号质量与真实数据的频谱相似性，FFT分析结果验证了这一点。
• 该方法支持仅受图像分辨率限制的灵活序列长度，64×64图像可实现4096点的时间序列，提供了一种可扩展且可扩展的框架。