关键GAN:在数字表型化背景下生成合成按键数据

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 数字健康数字健康

背景情况:

• 开发可靠的数字生物标志物用于因神经退行症引起的精神运动障碍至关重要.
• 现有的生成合成按键数据的方法可能缺乏复杂应用所需的现实性.
• 精细运动控制和认知过程影响打字动力学,为神经疾病提供了潜在的见解.

研究的目的:

• 介绍和评估KeyGAN,这是一款基于生成建模的新型合成器,用于实现现实的按键数据.
• 评估KeyGAN能够捕捉生物标志物开发的自然类型的细微差别的能力.
• 展示KeyGAN在生物识别身份验证和帕金森病特征等应用中的实用性.

主要方法:

• KeyGAN的设计旨在确保合成键盘按键特征分布的高现实性.
• 通过使用TypeNet (生物识别身份验证) 和nQiMechPD (帕金森病表征) 作为裁判控制来评估KeyGAN的合成数据质量.
• 将KeyGAN的性能与参考随机高斯生成器进行比较.

主要成果:

• KeyGAN成功欺骗了TypeNet生物识别身份验证系统,超过了参考比较器.
• 在使用nQiMechPD来表征帕金森病时,KeyGAN表现出与真实打字数据的优越近似性.
• 来自KeyGAN的合成数据可以在训练集中取代近20%的真实帕金森病样本,而不会造成性能损失.
• 低弗雷切距离 (<0.03) 和库尔巴克-莱布勒分歧 (<700) 证实了KeyGAN生成的数据的高保真性.

结论:

• KeyGAN显示出作为用于神经疾病研究的现实的按键数据合成器的巨大潜力.
• 该模型有效地复制了与数字生物标志物相关的复杂打字模式.
• KeyGAN的合成数据可以补充训练算法的真实数据,推进神经退行性和精神运动障碍的数字生物标志物研究.