TTS-CGAN：一种用于生物信号数据增强的 Transformer 时间序列条件 GAN
机器学习
2022-06-29 v1
摘要
以时间序列形式出现的信号测量是医学机器学习应用中最常用的数据类型之一。此类数据集往往规模小、采集与标注成本高，并可能涉及隐私问题，这阻碍了我们对生物医学应用训练大型、最先进的深度学习模型的能力。对于时间序列数据，我们可用于扩充数据集的数据增强策略受限于需保持信号基本属性的要求。生成对抗网络（GAN）可用作另一种数据增强工具。本文提出 TTS-CGAN，一种基于 Transformer 的条件 GAN 模型，可在现有多类数据集上训练，并生成任意长度的类别特定合成时间序列。我们详述了模型架构与设计策略。我们模型生成的合成序列与真实序列无法区分，并可用于补充或替代同类型真实信号，从而实现数据增强目标。为评估生成数据质量，我们改进小波相干性度量以比较两个信号集之间的相似性，并开展案例研究，使用合成与真实数据混合训练用于序列分类的深度学习模型。结合其他可视化技术与定性评估方法，我们证明 TTS-CGAN 生成的合成数据与真实数据相似，且我们的模型优于为时间序列数据生成而构建的其他最先进 GAN 模型。
引用
@article{arxiv.2206.13676,
title = {TTS-CGAN: A Transformer Time-Series Conditional GAN for Biosignal Data Augmentation},
author = {Xiaomin Li and Anne Hee Hiong Ngu and Vangelis Metsis},
journal= {arXiv preprint arXiv:2206.13676},
year = {2022}
}
备注
under review