ME-GAN：用于多视图心电图合成且以心脏病为条件的全景心电表征学习
机器学习
2023-05-30 v2 人工智能
信号处理
摘要
心电图（ECG）是一种广泛用于心脏病诊断的无创工具。许多研究设计了 ECG 分析模型（如分类器）以辅助诊断。作为上游任务，已有研究构建了生成模型来合成 ECG 数据，这有助于提供训练样本、保护隐私和减少标注。然而，以往的 ECG 生成方法往往既不能合成多视图数据，也未处理心脏病条件。本文提出一种新颖的、感知疾病的生成对抗网络用于多视图 ECG 合成，称为 ME-GAN，它学习以心脏病为条件的全景心电表征，并将表征投影到多个标准视图以生成 ECG 信号。由于心脏病的 ECG 表现常定位于特定波形，我们提出一种新的“mixup normalization（混合归一化）”以将疾病信息精确注入合适位置。此外，我们提出一个视图判别器，将无序的 ECG 视图恢复为预定顺序，从而监督生成器获得具有正确视图特征的 ECG。另外，提出一个新指标 rFID 来评估合成 ECG 信号的质量。综合实验验证了我们的 ME-GAN 在带有可靠病理表现的多视图 ECG 信号合成上表现良好。
引用
@article{arxiv.2207.10670,
title = {ME-GAN: Learning Panoptic Electrocardio Representations for Multi-view ECG Synthesis Conditioned on Heart Diseases},
author = {Jintai Chen and Kuanlun Liao and Kun Wei and Haochao Ying and Danny Z. Chen and Jian Wu},
journal= {arXiv preprint arXiv:2207.10670},
year = {2023}
}