GENERATYWNY MODEL Z DEEP FAKE AUGUMENTATION DLA SYGNAŁÓW Z FONOKARDIOGRAMU ORAZ ELEKTROKARDIOGRAMU W STRUKTURACH LSGAN ORAZ CYCLE GAN

W celu zdiagnozowania szeregu chorób serca, istotne jest przeprowadzenie dokładnej oceny danych z fonokardiogramu (PCG) i elektrokardiogram (EKG). Sztuczna inteligencja i diagnostyka wspomagana komputerowo, oparta na uczeniu maszynowym stają się coraz bardziej powszechne we współczesnej medycynie, pomagając klinicystom w podejmowaniu krytycznych decyzji. Z kolei, Wymóg ogromnej ilości informacji do trenowania, w celu ustalenia platformy (ang. framework) techniki, opartej na głębokim uczeniu stanowi empiryczne wyzwanie w obszarze medycyny. Zwiększa to ryzyko niewłaściwego wykorzystania danych osobowych. Bezpośrednim skutkiem tego problemu był gwałtowny rozwój badań nad metodami tworzenia syntetycznych danych pacjentów. Badacze podjęli próbę wygenerowania syntetycznych odczytów diagramów EKG lub PCG. Stąd, w celu zrównoważenia zbioru danych, w pierwszej kolejności utworzono dane EKG w bazie danych arytmii MIT-BIH przy użyciu struktur sieci generatywnych LSGAN i Cycle GAN. Następnie, wykorzystując strukturę sieci VGGNet, przeprowadzono badania, mające na celu klasyfikację arytmii na potrzeby syntetyzowanych sygnałów EKG. Dla wygenerowanych sygnałów, przypominających sygnał oryginalny uzyskano dobre rezultaty. Należy podkreślić, że uzyskana dokładność wynosiła 91,20%, powtarzalność 89,52% i wynik F1 – odpowiednio 90,35%.