[论文解读] SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification

Tomer Golany, Daniel Z. Freedman+1 more|arXiv (Cornell University)|Jun 27, 2020

ECG Monitoring and Analysis被引用 30

一句话总结

本论文在GAN训练中引入心脏仿真器（ODEs）以合成形态上逼真的ECG心跳，从而提升MIT-BIH数据集上的深度ECG心跳分类性能。

ABSTRACT

Generating training examples for supervised tasks is a long sought after goal in AI. We study the problem of heart signal electrocardiogram (ECG) synthesis for improved heartbeat classification. ECG synthesis is challenging: the generation of training examples for such biological-physiological systems is not straightforward, due to their dynamic nature in which the various parts of the system interact in complex ways. However, an understanding of these dynamics has been developed for years in the form of mathematical process simulators. We study how to incorporate this knowledge into the generative process by leveraging a biological simulator for the task of ECG classification. Specifically, we use a system of ordinary differential equations representing heart dynamics, and incorporate this ODE system into the optimization process of a generative adversarial network to create biologically plausible ECG training examples. We perform empirical evaluation and show that heart simulation knowledge during the generation process improves ECG classification.

研究动机与目标

• 将基于ODE的心脏动力学仿真器整合到GAN框架中，以引导ECG心跳的生成。
• 证明由仿真器引导的合成ECG能够提升监督式深度学习分类性能。
• 在金标准ECG数据集上评估 SimGANs，并与最先进的基线方法进行比较。
• 分享代码以实现重复实验和进一步研究。

提出的方法

• 将ECG心跳生成建模为一个GAN，其中生成器输出216点的心跳向量。
• 嵌入基于Euler的Simulator Distance损失，使生成信号满足ECG振荡器的ODEs。
• 定义交叉熵GAN损失加上Simulator Distance（Euler Loss）来训练生成器。
• 使用以心跳类别标签为条件的类别特定判别器和生成器。
• 在真实数据上以仿真器引导的合成心跳进行增强，训练基于ResNet的分类器。

实验结果

研究问题

• RQ1 生理性心脏仿真器是否能够超越随机噪声生成，在GAN生成的ECG心跳的真实感和形态上有所提高？
• RQ2 与标准GAN或仅仿真器数据相比，仿真器引导的合成ECG是否能提升MIT-BIH数据上的深度学习心跳分类？
• RQ3 在用合成数据增强时，SimGANs 的性能与最先进的ECG分类方法相比如何？

主要发现

• SimDCGAN 在SVEB、Fusion和VEB三类上的精确率-召回率曲线始终优于其他生成模型。
• 与以往工作相比，SimDCGAN 获得更高的精确度和召回率（例如 SVEB：0.41 召回率，0.80 精确率；Fusion：0.60 召回率，0.40 精确率；VEB：0.91 召回率，0.84 精确率）。
• 仅添加仿真数据就能提升相对于基础ResNet模型的性能，且在评估的方法中SimDCGAN提供最大的增益。
• 在关键心跳类别（SVEB和Fusion）上，SimDCGAN 超越 RefineGAN 和纯仿真器增广。
• 在MIT-BIH数据集的评估设置中，结合仿真器引导的合成心跳后，该方法达到最先进的结果。