Sep, 2019

使用生成对抗网络合成逼真的心电图

PDF
TL;DR本文研究应用生成对抗网络（GANs）生成真实且无隐私顾虑的电信号数据，用于医疗培训和数据分析，并就 GANs 产生的合成数据的隐私问题进行讨论。研究结果表明 GANs 的架构成功地生成了与训练集相似且不同样本的时间序列信号，并且能够经受住简单的成员推断攻击，保证了训练集的隐私。
medical datade-identificationgenerative adversarial networksecg signalsprivacy
发现论文，激发创造
  • 基于 GAN 的 ECG 合成中利用统计形状先验

    本文提出一种基于生成式对抗网络（GANs）和统计的心电图（ECG）数据建模的新方法，以在 ECG 信号生成任务中利用先前对 ECG 信号动态特性的理解，在 MIT-BIH 心律失常数据库中进行实验验证，结果表明以 2-D 格式建模 ECG 信号的时间和幅度变化可以生成更真实的信号并提高最新的心律失常分类基线的性能。

    Oct, 2022

  • 保护和扩展 —— 使用 GAN 生成时间序列医疗记录的合成数据

    通过比较各种使用生成对抗网络的合成数据生成模型，研究证明了隐私保护生成对抗网络（PPGAN）模型在保护隐私的同时保持了可接受的生成数据质量，为将来医疗应用提供更好的数据保护。

    Feb, 2024

  • 基于条件生成对抗网络的心电图对抗样本检测

    本研究采用条件生成对抗网络，同时生成不同类别的 ECG 信号和检测心脏异常情况，且基于类别特定的 ECG 信号合成逼真的对抗例子，相比其他分类模型，在检测正常 / 异常 ECG 信号方面表现出更好的性能。

    Jul, 2021

  • ECGNet: 从单导联输入合成 12 导联心电图信号的生成对抗网络（GAN）方法

    使用生成对抗网络 (GAN) 的 ECGNet 程序能够从任何单导联输入生成完整的 12 导联心电图 (ECG) 信号，并且通过交叉和自相关分析识别能够表征心血管疾病的特征。经过与肺心病功能结果数据，并使用具有 CVD - 指示特征的 ECG 信号作为输入进行 CVD 发作预测的 CNN 模型训练后，我们的模型可以实现对多个 CVD 目标的准确预测。该研究是首次利用单导联输入预测剩余的 11 个导联。

    Sep, 2023

  • 利用生成对抗网络生成多标签离散化患者记录

    本文提出了一种基于生成对抗网络的方法（medGAN），用于生成逼真的合成病人记录数据，并证明其可行性及隐私风险。

    Mar, 2017

  • 利用 GAN 增强医学图像从有限数据中合成逼真图像

    通过引入生成对抗网络（GANs）的创新方法，我们提出了一种合成医学图像的方法，通过深度卷积神经网络（CNNs）架构的生成器和鉴别器网络以及对抗训练方法，即使在有限的真实医学图像数据训练下，也能生成逼真的合成图像，并成功模拟了真实医学图像的结构和纹理特征。

    May, 2024

  • 基于生成对抗网络的电子健康记录研究：探索和评估药物诱导的实验室检测轨迹预测方法的框架

    本文提出了一个框架，探索将生成对抗网络应用于连续实验室时间序列数据的价值，提出一种无监督的评估方法来测量合成实验室测试时间序列的预测能力，并证明在训练 GAN 模型之前，将训练集的表示学习纳入考虑是有益的，尤其是在预测药物作用于实验室测试数据方面。

    Dec, 2017

  • 进化 SimGAN 来提高异常心电图分类

    该研究通过扩展 SimGAN 方法来调整一维数据，并修改基因编程框架 ezCGP 以进化 SimGAN，以评估新的定量指标，并使用该框架来增强心电图数据集，以提高异常心电分类器的准确性。

    May, 2022

  • f-GAN: 频域受限生成对抗网络用于心电图合成

    使用生成对抗网络 (GANs) 从配对的 PPG 信号中合成 ECG 信号成功，其中心率可通过标准信号处理流程进行提取，通过在模型训练中加入频域约束可以提高模型性能的稳定性和心率估计的性能。

    May, 2024

  • 使用卷积 GAN 产生差分隐私的合成医疗数据

    本篇论文提出了一种基于不同 ially private 框架和卷积自编码器以及卷积生成对抗网络生成合成数据的方法，以应对使用医疗记录数据所面临的隐私困难，该方法能够捕捉到原始数据中存在的时间信息和特征相关性，并在有监督和无监督情况下使用公开可用的标准医疗数据集，优于现有的同类方法。

    Dec, 2020