A GENERATIVE MODEL FOR DEEP FAKE AUGMENTATION OF PHONOCARDIOGRAM AND ELECTROCARDIOGRAM SIGNALS USING LSGAN AND 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%.

Słowa kluczowe:

arytmia, osłuchiwanie, elektrokardiogram, fonokardiogram, sieci generatywne

Bibliografia

Ahmed N., Zhu Y.: Early Detection of Atrial Fibrillation Based on ECG Signals. Bioengineering 7(1), 2020, 16 [http://doi.org/10.3390/bioengineering7010016].

Akkaradamrongrat S. et al.: Text generation for imbalanced text classification. 16th International Joint Conference on Computer Science and Software Engineering (JCSSE), 2019, 181–186.

Aziz S. et al.: Phonocardiogram Signal Processing for Automatic Diagnosis of Congenital Heart Disorders through Fusion of Temporal and Cepstral Features. Sensors 20(13), 2020, 3790 [http://doi.org/10.3390/s20133790].

Bentley P. et al.: Classifying Heart Sounds Challenge. 2011 [http://www.peterjbentley.com/heartchallenge/index.html]

Bouril D. et al.: Automated classification of normal and abnormal heart sounds using support vector machines. Computing in Cardiology Conference – CinC, Vancouver 2016, 549–552.

Cayce G. I. et al.: Improved Neural Network Arrhythmia Classification Through Integrated Data Augmentation. IEEE MetroCon, Hurst 2022, 1–3.

England J. R., Cheng P. M.: Artificial intelligence for medical image analysis: a guide for authors and reviewers. American journal of roentgenology 212(3), 2019, 513–519.

Garcea F. et al.: Data augmentation for medical imaging: A systematic literature review. Computers in Biology and Medicine 152, 2023, 106391 [http://doi.org/10.1016/j.compbiomed.2022.106391].

Goldberger A. L. et al.: PhysioBank, PhysioToolkit and PhysioNet: components of a new research resource for complex physiologic signals. Circulation 101, 2000, 215–220.

Goodfellow I. et al.: Generative adversarial networks. Communications of the ACM, 63(11), 2020, 139–144 [http://doi.org/10.1145/3422622].

Guo G. et al.: Multimodal Emotion Recognition Using CNN-SVM with Data Augmentation. IEEE International Conference on Bioinformatics and Biomedicine, Las Vegas 2022, 3008–3014.

Houssein E. H.: ECG signals classification: a review. International Journal of Intelligent Engineering Informatics 5(4), 2017, 376–396.

Judge R., Mangrulkar R.: Heart Sound and Murmur Library. [http://open.umich.edu/education/med/resources/heart-sound-murmur-library/2015].

Khalifa Y et al.: A review of Hidden Markov models and Recurrent Neural Networks for event detection and localization in biomedical signals. Information Fusion 69, 2021, 52–72.

Li H. et al.: Dual-input neural network integrating feature extraction and deep learning for coronary artery disease detection using electrocardiogram and phonocardiogram. IEEE Access 7, 2019, 146457–146469.

Li J., Ke L., Du Q., Ding X., Chen X.: Research on the Classification of ECG and PCG Signals Based on BiLSTM-GoogLeNet-DS. Applied Sciences 12(22), 2022, 11762.

Liu C. et al.: An open access database for the evaluation of heart sound algorithms. Physiological Measurement 37(12), 2016, 2181.

Mao X. et al.: Least Squares Generative Adversarial Networks. arXiv, 2017 [http://arxiv.org/abs/1611.04076].

Nedoma J. et al.: Comparison of BCG, PCG and ECG signals in application of heart rate monitoring of the human body. 40th International Conference on Telecommunications and Signal Processing – TSP, 2017, 420–424.

Rahman, M. M. et al.: A Systematic Survey of Data Augmentation of ECG Signals for AI Applications. Sensors, 23(11), 2023, 5237 [http://doi.org/10.3390/s23115237].

Simonyan K., Zisserman A.: Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv, 2015 [http://arxiv.org/abs/1409.1556].

Skandarani Y. et al.: GANs for medical image synthesis: An empirical study. Journal of Imaging 9(3), 2023 [http://doi.org/10.3390/jimaging9030069].

Sreeniwas Kumar A., Nakul S.: Cardiovascular Disease in India: A 360 Degree Overview. Medical Journal Armed Forces India 76(1), 2020, 1–3 [http://doi.org/10.1016/j.mjafi.2019.12.005].

Wang T. C. et al.: High-resolution image synthesis and semantic manipulation with conditional gans. IEEE Conference on computer vision and pattern recognition. Salt Lake City, 2018, 8798–8807.

Wu J. L. et al.: A prediction model of stock market trading actions using generative adversarial network and piecewise linear representation approaches. Soft Comput 27, 2023, 8209–8222

[http://doi.org/10.1007/s00500-022-07716-2].

Xiong P. et al.: Deep Learning for Detecting and Locating Myocardial Infarction by Electrocardiogram: A Literature Review. Frontiers in Cardiovascular Medicine 9, 2022 [http://doi.org/10.3389/fcvm.2022.860032].

Zhu J. Y. et al.: Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. arXiv [http://arxiv.org/abs/1703.10593].

GENERATYWNY MODEL Z DEEP FAKE AUGUMENTATION DLA SYGNAŁÓW Z FONOKARDIOGRAMU ORAZ ELEKTROKARDIOGRAMU W STRUKTURACH LSGAN ORAZ CYCLE GAN. (2023). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 13(4), 34-38. https://doi.org/10.35784/iapgos.3783

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 13 Nr 4 (2023)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja