PhysioGAN：用于生理传感器读数的高保真生成模型训练
信号处理
2022-04-29 v1 机器学习
摘要
变分自编码器（VAE）和生成对抗网络（GAN）等生成模型已被证明在生成保留真实世界数据集统计特性与效用的合成数据方面极为强大，尤其在图像与自然语言文本领域。然而，迄今为止，尚未有成功演示如何将这两种方法中的任何一种应用于生成有用的生理传感数据。该领域最先进的技术仅取得了有限的成功。我们提出 PHYSIOGAN，一种用于生成高保真合成生理传感器数据读数的生成模型。PHYSIOGAN 由编码器、解码器和判别器组成。我们使用两个真实世界数据集——ECG 分类与运动传感器数据集中的活动识别——将 PHYSIOGAN 与最先进技术进行评估。我们不仅比较 PHYSIOGAN 与基线模型在类条件生成准确性上的表现，还比较合成数据集的样本多样性与样本新颖性。我们证明，PHYSIOGAN 生成的样本比其他生成模型具有更高的效用：仅使用 PHYSIOGAN 生成的合成数据训练的分类模型，其分类准确率相对于使用真实数据训练的模型仅下降 10% 和 20%。此外，我们展示了 PHYSIOGAN 在传感器数据填补中创建合理结果的应用。
引用
@article{arxiv.2204.13597,
title = {PhysioGAN: Training High Fidelity Generative Model for Physiological Sensor Readings},
author = {Moustafa Alzantot and Luis Garcia and Mani Srivastava},
journal= {arXiv preprint arXiv:2204.13597},
year = {2022}
}