[论文解读] Synthesis of Realistic ECG using Generative Adversarial Networks

Anne Marie Delaney, Eoin Brophy+1 more|arXiv (Cornell University)|Sep 19, 2019

Digital Media Forensic Detection参考文献 42被引用 29

一句话总结

本文提出一种基于生成对抗网络（GAN）的框架，利用双向长短期记忆网络（BiLSTM）生成器和卷积判别器，生成高保真度、具有隐私保护特性的合成心电图（ECG）信号。结果表明，4CNN BiLSTM GAN 能够生成多样化、结构上逼真的 ECG 波形，对成员身份推断攻击具有强抵抗力，再识别率较低，并在 MMD 和 DTW 评估指标上优于其他架构。

ABSTRACT

Access to medical data is highly restricted due to its sensitive nature, preventing communities from using this data for research or clinical training. Common methods of de-identification implemented to enable the sharing of data are sometimes inadequate to protect the individuals contained in the data. For our research, we investigate the ability of generative adversarial networks (GANs) to produce realistic medical time series data which can be used without concerns over privacy. The aim is to generate synthetic ECG signals representative of normal ECG waveforms. GANs have been used successfully to generate good quality synthetic time series and have been shown to prevent re-identification of individual records. In this work, a range of GAN architectures are developed to generate synthetic sine waves and synthetic ECG. Two evaluation metrics are then used to quantitatively assess how suitable the synthetic data is for real world applications such as clinical training and data analysis. Finally, we discuss the privacy concerns associated with sharing synthetic data produced by GANs and test their ability to withstand a simple membership inference attack. For the first time we both quantitatively and qualitatively demonstrate that GAN architecture can successfully generate time series signals that are not only structurally similar to the training sets but also diverse in nature across generated samples. We also report on their ability to withstand a simple membership inference attack, protecting the privacy of the training set.

研究动机与目标

• 开发一种能够生成逼真实值时间序列数据（特别是正常导联 II ECG 信号）的 GAN 架构。
• 采用两种指标评估合成 ECG 的质量：最大均值差异（MMD）和动态时间规整（DTW）。
• 通过测试对成员身份推断攻击的抵抗能力，评估合成 ECG 数据的隐私风险。
• 研究架构组件（如小批量判别）对训练稳定性和模式崩溃的影响。
• 确定 GAN 生成的合成 ECG 是否可作为临床训练和研究中真实医疗数据的可行、隐私保护替代方案。

提出的方法

• 实现一个 GAN 框架，其生成器采用两个双向 LSTMs，将随机噪声映射为合成 ECG 信号。
• 判别器采用四层卷积-池化架构，用于区分真实 ECG 数据与合成样本。
• 训练过程遵循极小化-极大化目标：min_G max_D V(G,D) = E_x~p_data[log D(x)] + E_z~p_z[log(1 - D(G(z)))]
• 在判别器中引入小批量判别，以提升训练稳定性并防止模式崩溃。
• 评估采用 MMD 衡量分布相似性，DTW 衡量真实与合成 ECG 信号之间的时序对齐程度。
• 应用成员身份推断攻击，测试合成样本是否可能泄露原始训练数据的信息。

实验结果

研究问题

• RQ1 GAN 是否能够生成在结构和时序上均与真实 ECG 波形高度逼真的合成 ECG 信号？
• RQ2 哪种 GAN 架构在多次训练运行中能产生最多样化且高质量的合成 ECG 输出？
• RQ3 MMD 和 DTW 作为评估 GAN 生成时间序列保真度的指标，其有效性如何？
• RQ4 GAN 生成的 ECG 数据在多大程度上能抵抗成员身份推断攻击，从而确保原始训练数据的隐私？
• RQ5 引入小批量判别层是否能提升 ECG 生成过程中的训练稳定性和防止模式崩溃？

主要发现

• 4CNN BiLSTM GAN 达到了最优的 MMD 得分 1.13×10⁻³ 和 DTW 得分 17.369，表明其与真实 ECG 具有高度保真度和时序相似性。
• 即使未使用小批量判别层，4CNN BiLSTM GAN 仍能生成多样化且无模式崩溃的合成 ECG 样本。
• 当 ε < 0.3 × 平均距离时，成员身份推断攻击正确识别出训练记录的比例为 0%，表明具有强大的隐私保护能力。
• DTW 在捕捉振幅和时间关系方面比 MMD 更具鲁棒性，尤其在训练不稳定时表现更优。
• MMD 在识别生成多样化输出的 GAN 模型方面表现有效，更倾向于选择分布覆盖范围更广的架构。
• 结果表明，GAN 可以生成既逼真又具备隐私保护特性的合成 ECG，适用于临床训练和研究应用。