ECGAN – Erzeugung und Detektion von Anomalien in Zeitreihen mit Hilfe von Generative-Adversarial-Networks
links: Vergleich eines realen Herzschlags (blau) mit der Rekonstruktion (rot). Die Farbintensität der Heatmap stellt den Abstand zwischen dem realen und synthetischen Herzschlag dar. Der normale (healthy) Herzschlag kann detailliert rekonstruiert werden, der anormale Herzschlag ist wie zu erwarten nicht durch das Model rekonstruierbar, da das Netzwerk nur auf Daten der normalen Klasse trainiert wird. (Quelle: eMundo GmbH) rechts: Architektur des entwickelten β-VAEGAN Modells (Quelle: eMundo GmbH)
Ziel des Projekts war die Stabilisierung des Trainings von GANs zur Generierung von EKG-Daten und eine Beschleunigung und Verbesserung der Arrhythmiedetektion.
Es wurden zunächst traditionelle GAN-Architekturen verbessert, indem neue Zielfunktionen und weitere Ansätze zur Stabilisierung der Trainings verwendet wurden. Da die Generierung mit üblichen Netzwerken jedoch weiterhin nicht ausreichend stabil war, wurde ein β-Variational-Autoencoder als Generator genutzt. Dies führte zu der erhofften Stabilisierung des Trainings und einer Erhöhung der Qualität der generierten Daten im Vergleich zu Vorarbeiten.
Durch die Nutzung des Encoders wird eine deutlich schnellere Inferenz und eine Echtzeit-Anomaliedetektion ermöglicht. Zusätzlich wurde die üblicherweise stationäre und lineare Gewichtung der Rekonstruktionsqualität und der Einschätzung durch das diskriminierende Netzwerk durch eine nichtlineare Zusammensetzung der Fehlerkomponenten ersetzt, was zu einer weiteren Verbesserung der Anomaliedetektion führte. Die Ergebnisse wurden im Rahmen eines Frameworks für die reproduzierbare Verarbeitung von EKG-Daten auf GitHub veröffentlicht.