[DL輪読会]“SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification (ICML2020)”

DEEP LEARNING JP [DL Papers] “SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification (ICML2020)” Naoki Nonaka http://deeplearning.jp/ 2023/10/9 1

• http://deeplearning.jp/

目次 • 書誌情報 • 背景 • 提案手法 • 実験 • まとめ 2023/10/9 2

書誌情報 • 会議：ICML 2020 • 著者：Tomer Golany, et al. （Israel Institute of Technology） • 実装：https://github.com/tomerGolany/sim_gan 2023/10/9 3

• https://github.com/tomerGolany/sim_gan

概要 GANによる心電図の生成に取り組んだ研究 心電図のシミュレータを用いて，生成対象に関する情報を 与えることで生成の質を向上するSimGANを提案 提案手法による生成データを用いることで， 心電図の分類精度を向上できることを示した 2023/10/9 4

背景  （生成モデルにより）生成したデータで分類精度を向上したい  心電図では，データの生成過程に関する知識に基づくシミュレータが存在 常微分方程式（ODE）によるシミュレータを活用した生成モデル 2023/10/9 5

心電図とは 基本的な心臓の検査の一つ 不整脈や心筋梗塞，狭心症を調べる上で重要 心臓の電気的活動を電極で検出して記録 収集されるデータの例 https://physionet.org/content/challenge-2017/1.0.0/ 2023/10/9 6

• https://physionet.org/content/challenge-2017/1.0.0/

提案手法: SimGAN GANのGeneratorに，シミュレータとの一致を評価する損失を追加 Discriminator: Generator: 通常のGANで用いられるLoss 2023/10/9 シミュレータとの一致を評価するLoss 7

提案手法: SimGAN : 𝑙 ~ 𝑙 + 1 までの（生成された）心電図の変化の割合 : シミュレータによる心電図の変化の割合 : ℎ𝑖 は時刻𝑖における値，ℎは固定長𝐿の心電図 2023/10/9 8

心電図のシミュレータ 以下のODEで表現される(𝑥 𝑡 , 𝑦 𝑡 , 𝑧 𝑡 )の3つの軌跡で心電図を再現 (McSharry et al.; 2003 ) 3次元の軌跡として表現される 心電図の波形として用いられるのはzのみ 2023/10/9 9

提案手法: SimGAN Generatorの構造とGeneratorのLoss 2023/10/9 10

実験  生成データによる分類精度の変化検証  Generatorへの入力の比較  シミュレータの出力を直接用いる場合との比較  生成データの定性的評価 2023/10/9 11

データ MIT-BIH arrhythmia database ◼ 30minの心電図 x 48 (360Hzで収集) ◼ 109,492心拍 ◼ クラスラベル ➢ Ventricular Ectopic Beat (VEB) | 心室性期外収縮 ➢ Supraventricular Ectopic Beat (SVEB) | 上室性期外収縮 ➢ Fusion Beat | 融合心拍 ➢ Normal Beat 2023/10/9 12

比較モデル: 実験1 (生成データによる分類精度の変化検証) Al Rahhal et al. VGAN / DCGAN SimVGAN / SimDCGAN [ 追加データなし ] G G 2023/10/9 13

生成データによる分類精度の変化検証 𝐿𝐸𝑈𝐿 𝐺 (𝜙𝐺 ) を導入して生成したECGを用いた場合に精度が向上 2023/10/9 14

比較モデル: 実験2 (Generatorへの入力比較) Refine GAN SimVGAN / SimDCGAN (Simulator出力) G 2023/10/9 G 15

Generatorへの入力の比較 シミュレータの出力をRefinesした場合よりも精度が向上 2023/10/9 16

比較モデル: 実験3 (シミュレータの出力を直接用いる場合との比較) ECG simulator SimVGAN / SimDCGAN [-] [-] G (Simulator出力) [-] 2023/10/9 17

シミュレータの出力を直接用いる場合との比較 シミュレータの出力を直接用いる場合よりも精度が向上 2023/10/9 18

生成されたECGの定性的評価 通常のGANよりも生成データの質が高い 2023/10/9 19

まとめ  シミュレータに関する知識を組み込んだSimGANを提案  提案手法により生成した心電図を用いることで， 分類問題の精度が向上することを示した  提案手法により生成された心電図が既存手法と比較して， 実際の心電図に近いことを定性的に確認した 2023/10/9 20

比較モデル VGAN / DCGAN Refine GAN SimVGAN / SimDCGAN (Simulator出力) G 2023/10/9 G G 21