利用条件生成对抗网络（Conditional GAN）增强技术实现的对少数族裔群体具有感知能力的多类心律失常检测

《Scientific Reports》：Minority class–aware multiclass arrhythmia detection using conditional GAN augmentation

　　

摘要

从心电图（ECG）信号中检测心律失常对于预防猝死至关重要。然而，在像MIT-BIH这样的基准数据集中，由于少数类别（如室上性（S）和融合性（F）心跳）的样本占比不到3%，模型在这些类别上的性能受到严重阻碍，因为这些类别之间存在严重的不平衡。传统方法，如基于GAN的增强技术、过采样和欠采样，往往会产生低保真度的合成样本，或者无法保留重要的ECG形态特征，从而导致不常见心律失常的F1分数不佳。在本文中，提出了一种使用条件Wasserstein GAN（cWGAN-GP）进行高保真度少数类别增强的新框架。该框架与一个分层多流ResNet34分类器集成，该分类器结合了原始数据、Parzen过滤后的数据以及相似性图特征。为了生成真实的心电图心跳，cWGAN-GP将生成过程与类别标签相关联。通过施加梯度惩罚和Wasserstein距离来防止模式崩溃。在MIT-BIH心律失常数据库（5个AAMI类别）上的广泛实验表明，该方法取得了显著改进：少数类别S和F的F1分数提高了多达28%，而整体F1分数从0.78（基线）提升到了0.94。该方法在计算效率上具有优势，适用于可穿戴设备的部署，并且在少数类别检测方面优于现有的GAN增强模型。