基于神经 ODE 与 GAN 模型的心电图合成
机器学习
2022-06-07 v2
摘要
诸如心电图（ECG）的连续医学时间序列数据由于其动态和高维特性，是最复杂的时间序列之一。此外，由于其敏感性、隐私问题和法律限制，将实际数据用于不同医学研究往往更为复杂。因此，生成连续医学时间序列是一个极为关键的研究领域。若干研究工作已表明，生成对抗网络（GAN）在连续医学时间序列生成方面的能力是有前景的。大多数医学数据生成工作，如 ECG 合成，主要由 GAN 模型及其变体驱动。另一方面，近期一些关于神经常微分方程（Neural ODE）的工作展示了其相对于连续时间序列的信息缺失、高维以及动态特性的优势。Neural ODE 不是将连续时间序列视为离散时间序列，而是可以实时连续地训练连续时间序列。在本工作中，我们使用基于 Neural ODE 的模型生成合成正弦波与合成 ECG。我们引入了一种新方法来设计以 Neural ODE 为基础的生成器与判别器的生成对抗网络。我们开发了三个新模型来合成连续医学数据。随后使用不同的评估指标定量评估所生成合成数据在真实应用与数据分析中的质量。本工作的另一目标是结合 GAN 与 Neural ODE 的优势来生成诸如 ECG 的合成连续医学时间序列数据。我们还评估了 GAN 模型与 Neural ODE 模型，以理解 GAN 与 Neural ODE 系列模型在医学数据合成中的相对效率。
引用
@article{arxiv.2111.00314,
title = {ECG synthesis with Neural ODE and GAN models},
author = {Mansura Habiba and Eoin Brophy and Barak A. Pearlmutter and Tomas Ward},
journal= {arXiv preprint arXiv:2111.00314},
year = {2022}
}
备注
Proc. of the International Conference on Electrical, Computer and Energy Technologies (ICECET), 9-10 December 2021, Cape Town-South Africa