心电图的对抗样本
信号处理
2019-06-06 v2 密码学与安全
机器学习
机器学习
摘要
近年来，随着单导联版本的兴起，心电图（ECG）在医疗和商业应用中均得到广泛普及。单导联 ECG 可嵌入医疗设备和可穿戴产品中，如可植入式 Medtronic Linq 监测仪、iRhythm Ziopatch 可穿戴监测仪以及 Apple Watch Series 4。最近，深度神经网络已被用于自动分析 ECG 波形，在检测某些节律异常方面甚至超越专攻心脏电生理的医师。然而，深度学习分类器已被证明对对抗样本脆弱，对抗样本是看似无疑属于某类、人眼不可辩驳，但含有微妙特征使分类器误分类至错误类别的样本。最近，对抗样本也已针对医疗相关任务被构造。然而，传统的对抗样本攻击方法（如投影梯度下降（PGD））不能直接推广到 ECG 信号，因为它们生成的样本会引入在生理上不成立的方波伪影。在此，我们开发了一种为单导联 ECG 构造平滑对抗样本的方法。首先，我们实现了一个神经网络模型，在 2017 年 PhysioNet/Computing-in-Cardiology Challenge 的单导联 ECG 分类心律失常检测数据上达到最先进性能。对于该模型，我们采用一种新技术生成平滑样本，以产生 1) 心脏病学家无法与原始样本区分、且 2) 被神经网络错误分类的信号。最后，我们表明对抗样本并非唯一，并给出一种汇总并扰动已知对抗样本以构造新样本的一般技术。
引用
@article{arxiv.1905.05163,
title = {Adversarial Examples for Electrocardiograms},
author = {Xintian Han and Yuxuan Hu and Luca Foschini and Larry Chinitz and Lior Jankelson and Rajesh Ranganath},
journal= {arXiv preprint arXiv:1905.05163},
year = {2019}
}