DiffECG: A Versatile Probabilistic Diffusion Model for ECG Signals Synthesis

要約

ディープラーニングをECG信号に適用した心血管疾患検出において、生理学的信号の取り扱いの複雑さから、効果的なデータ補強のためにディープ生成モデルを活用することへの関心が高まっている。本論文では、ECG合成のためのノイズ除去拡散確率モデルに基づく新しい汎用的なアプローチを紹介し、3つのシナリオに対処する：(i)心拍生成、(ii)部分的な信号インピュテーション、(iii)完全な心拍予測である。我々のアプローチは、ECG合成のための最初の一般化された条件付きアプローチを提示しており、実験結果は、様々なECG関連タスクに対する有効性を実証している。さらに、本アプローチが他の最先端のECG生成モデルを凌駕し、最先端の分類器の性能を向上させることができることを示す。

要約(オリジナル)

Within cardiovascular disease detection using deep learning applied to ECG signals, the complexities of handling physiological signals have sparked growing interest in leveraging deep generative models for effective data augmentation. In this paper, we introduce a novel versatile approach based on denoising diffusion probabilistic models for ECG synthesis, addressing three scenarios: (i) heartbeat generation, (ii) partial signal imputation, and (iii) full heartbeat forecasting. Our approach presents the first generalized conditional approach for ECG synthesis, and our experimental results demonstrate its effectiveness for various ECG-related tasks. Moreover, we show that our approach outperforms other state-of-the-art ECG generative models and can enhance the performance of state-of-the-art classifiers.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL