ECG-ATK-GAN：基于条件生成对抗网络的心电图对抗攻击鲁棒性方法
信号处理
2022-10-14 v3 人工智能
机器学习
摘要
从心电图（ECG）自动检测心律失常需要一个鲁棒且可信的系统，能在电干扰下保持高准确率。许多机器学习方法在从 ECG 分类心律失常方面已达到人类水平表现。然而，这些架构易受对抗攻击影响，攻击可通过降低模型准确率使 ECG 信号被误分类。对抗攻击是在原始数据中注入的微小精心扰动，其使信号中分布外偏移显现从而导致正确类别被误分。因此，因滥用这些扰动而产生的错误住院与保险欺诈引发了安全担忧。为缓解该问题，我们提出了首个新颖的条件生成对抗网络（GAN），其对受对抗攻击的 ECG 信号具有鲁棒性并保持高准确率。我们的架构集成了一个新的类加权目标函数用于对抗扰动识别，以及新模块用于在学习过程中辨别并组合信号中的分布外偏移，以准确分类各类心律失常。此外，我们在六种不同白盒与黑盒攻击上对我们的架构进行基准测试，并在两个公开可用 ECG 心律失常数据集上与其他近期提出的心律失常分类模型比较。实验证实我们的模型在分类心律失常时对此类对抗攻击具有更高鲁棒性且准确率更高。
引用
@article{arxiv.2110.09983,
title = {ECG-ATK-GAN: Robustness against Adversarial Attacks on ECGs using Conditional Generative Adversarial Networks},
author = {Khondker Fariha Hossain and Sharif Amit Kamran and Alireza Tavakkoli and Xingjun Ma},
journal= {arXiv preprint arXiv:2110.09983},
year = {2022}
}
备注
Accepted to MICCAI2022 Applications of Medical AI (AMAI) Workshop