使用生成神经网络生成合成心电图信号
Edmond Adib1, Fatemeh Afghah2, John J Prevost1
1Electrical and Computer Engineering Department, University of Texas at San Antonio (UTSA), San Antonio, Texas, United States of America.
PloS one
|March 25, 2025
概括
生成对抗网络 (GAN) 可以创建合成心电图 (ECG) 数据以解决不平衡的数据集. 像BiLSTM-DC GAN和WGAN这样的模型显示出改善心脏诊断中机器学习模型性能的希望.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 心脏病学 心脏病学
背景情况:
- 由于罕见的异常病例,心电图 (ECG) 数据集往往不平衡.
- 隐私法规限制使用真实患者的心电图数据,限制数据集大小.
- 机器学习模型用于自动ECG诊断需要平衡的数据集以获得最佳性能.
研究的目的:
- 评估五种生成对抗网络 (GAN) 模型的合成心电图生成能力.
- 为了比较这些GAN模型在生成正常心脏周期方面的性能.
- 评估合成心电图数据对增加不平衡数据集和提高分类准确性的有用性.
主要方法:
- 使用五种不同的GAN模型生成合成正常心脏周期.
- 使用动态时间扭曲 (DTW),Fréchet和欧几里德距离量化测量性能.
- 提出并应用了五种新的评价方法,包括值,被接受的节奏和生产率,用于系统的比较.
主要成果:
- 所有测试的GAN模型都显示出能够产生具有高度形态相似性的可接受心跳的能力.
- BiLSTM-DC GAN和WGAN在视觉上产生了更多的统计学上可接受的节拍.
- 经典GAN实现了72%的最高生产率.
- 增加一个不平衡的数据集与合成ECG显著提高了ECGResNet34分类器的性能.
结论:
- GAN显示了生成合成心电图数据以增强不平衡数据集的潜力.
- 特定的GAN架构 (BiLSTM-DC GAN,WGAN) 在生成视觉上可接受的节拍方面表现出色.
- 合成心电图数据增强可以显著提高自动心脏诊断模型的性能.
