医疗应用的时间序列数据生成：来自 PCG 的案例研究
机器学习
2024-12-24 v1 计算工程、金融与科学
信号处理
摘要
高质量医疗时间序列数据的生成对于推进医疗诊断和保护患者隐私至关重要。具体而言，合成真实的脉搏心动图(PCG)信号具有显著的潜力，作为一种成本有效且高效的心脏病预筛查工具。尽管具有这种潜力，但PCG信号的合成在该特定应用领域受到有限的关注。在本研究中，我们采用并比较来自不同类别的三种最先进的生成模型——WaveNet、DoppelGANger 和 DiffWave——以生成高质量的PCG数据。我们使用来自 George B. Moody PhysioNet Challenge 2022 的数据。我们的方法使用该领域先进文献中广泛使用的数种指标进行评估，如平均绝对误差和最大均值不确定性。我们的结果表明，生成的PCG数据与原始数据集高度相似，表明所提出的生成模型在产生逼真的合成PCG数据方面具有有效性。在未来的工作中，我们计划将该方法纳入数据增强管道，以合成带有心动杂音的异常PCG信号，以解决当前稀缺的异常数据问题。我们希望提高心脏病诊断工具的鲁棒性和准确性，增强其检测心动杂音的效果。
引用
@article{arxiv.2412.16207,
title = {Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study},
author = {Ainaz Jamshidi and Muhammad Arif and Sabir Ali Kalhoro and Alexander Gelbukh},
journal= {arXiv preprint arXiv:2412.16207},
year = {2024}
}