使用生成对抗网络合成逼真心电图
信号处理
2019-09-23 v1 机器学习
机器学习
摘要
由于医疗数据的敏感性，其获取受到严格限制，这使得相关社群难以将这些数据用于研究或临床培训。为促进数据共享而实施的常见去标识化方法，有时不足以保护数据中所包含的个体。在我们的研究中，我们探究了生成对抗网络（GANs）生成逼真医学时间序列数据的能力，这些数据可在无需担忧隐私的情况下使用。其目标是生成能代表正常心电图波形的合成心电信号。GANs 已被成功用于生成高质量的合成时间序列，并已被证明能够防止对个体记录的重新识别。在这项工作中，我们开发了一系列 GAN 架构来生成合成正弦波和合成心电图。随后，使用两种评估指标定量评估合成数据在临床培训与数据分析等现实应用中的适用性。最后，我们讨论了共享由 GANs 生成的合成数据所涉及的隐私问题，并测试了它们抵御简单成员推断攻击的能力。我们首次定量且定性地证明，GAN 架构不仅能成功生成在结构上与训练集相似的时间序列信号，而且生成的样本在性质上具有多样性。我们还报告了它们抵御简单成员推断攻击、保护训练集隐私的能力。
引用
@article{arxiv.1909.09150,
title = {Synthesis of Realistic ECG using Generative Adversarial Networks},
author = {Anne Marie Delaney and Eoin Brophy and Tomas E. Ward},
journal= {arXiv preprint arXiv:1909.09150},
year = {2019}
}