基于ODE约束的心脏动力学生成模型用于12导联心电图合成
机器学习
2026-03-20 v2
摘要
为监督学习生成逼真的训练数据仍然是人工智能领域的一个重大挑战，尤其是在那些大规模、专家标注数据集稀缺或获取成本高昂的领域。心电图（ECG）尤其如此，隐私限制、类别不平衡以及需要医生标注等因素限制了标注的12导联记录的可获得性，这促使人们开发高保真度的合成ECG数据。这项任务的主要挑战在于精确建模不同ECG导联之间复杂的生物和生理相互作用。尽管数学过程模型已经揭示了这些动力学，但如何有效地将这些理解融入生成模型并非易事。我们介绍了一种创新方法，该方法利用常微分方程（ODE）来提高12导联ECG数据生成的保真度。该方法通过一种新颖的欧拉损失将心脏动力学直接整合到生成优化过程中，从而产生尊重真实世界变异性和导联间约束的生物学上合理的数据。在G12EC和PTB-XL数据集上的实证分析表明，使用MultiODE-GAN增强训练数据能在多种心脏异常上带来一致且统计显著的特异性提升。这凸显了在合成医学数据中强制执行生理一致性的价值。
引用
@article{arxiv.2409.17833,
title = {ODE-Constrained Generative Modeling of Cardiac Dynamics for 12-Lead ECG Synthesis},
author = {Yakir Yehuda and Kira Radinsky},
journal= {arXiv preprint arXiv:2409.17833},
year = {2026}
}