Условная генерация электрокардиограмм с помощью иерархических вариационных автокодировщиков

Article Sidebar

PDF
Опубликован: 04.12.2025
УДК 004.81
DOI: https://doi.org/10.26907/1562-5419-2025-28-5-1186-1206
Выпуск
Том 28 № 5 (2025): Тематический выпуск по материалам Междисциплинарной конференции по искусственному интеллекту «ИИ-ЗАМАН»

Main Article Content

Иван Анатольевич Свиридов
Sber AI Lab, г. Москва, Россия
https://orcid.org/0009-0009-5912-1118
Константин Сергеевич Егоров
Sber AI Lab, г. Москва, Россия
https://orcid.org/0009-0006-6991-4136

Аннотация

Сердечно-сосудистые заболевания являются одной из основных причин смертности. Автоматический анализ электрокардиограмм (ЭКГ) может существенно облегчить работу врачей, но его эффективность ограничена нехваткой и несбалансированностью данных. Создание синтетических ЭКГ помогает частично решить эти проблемы. Хотя чаще всего для этого применяются генеративно-состязательные сети (GAN), но последние исследования показали, что вариационные автокодировщики (VAE) могут обеспечивать сопоставимое качество.


В работе представлена модель cNVAE-ECG — модификация Nouveau VAE (NVAE), способная генерировать 12 отведений 10-секундных ЭКГ с различными патологиями. Используя компактную схему работы с каналами и встроенные представления классов для условной генерации, cNVAE-ECG улучшает результаты в задачах бинарной и multi-label классификации, обеспечивая прирост метрики AUROC до 2% по сравнению с моделями на основе GAN. Модель представлена в открытом доступе: https://github.com/univanxx/cNVAE_ECG.

Article Details

Как цитировать
Свиридов, И. А., и К. С. Егоров. «Условная генерация электрокардиограмм с помощью иерархических вариационных автокодировщиков». Электронные библиотеки, т. 28, вып. 5, декабрь 2025 г., сс. 1186-0, doi:10.26907/1562-5419-2025-28-5-1186-1206.

Библиографические ссылки

1. Tsao C.W., Aday A.W., Almarzooq Z.I., et al. Heart Disease and Stroke Statistics–2023 Update: A Report from the American Heart Association // Circulation. 2023. Vol. 147, No. 8. P. e93–e621.
2. Liu X., Wang H., Li Z., Qin L. Deep learning in ECG diagnosis: A review // Knowledge-Based Systems. 2021. Vol. 227. P. 107187.
3. Gerke S., Minssen T., Cohen G. Ethical and legal challenges of artificial intelligence-driven healthcare // Artificial Intelligence in Healthcare / Eds. A. Bohr, K. Memarzadeh. Academic Press, 2020. P. 295–336.
4. Reyna M.A., Sadr N., Alday E.A.P., et al. Will two do? Varying dimensions in electrocardiography: The PhysioNet/Computing in Cardiology Challenge 2021 // Computing in Cardiology. 2021. Vol. 48. P. 1–4.
5. Friesen G., Jannett T., Jadallah M., Yates S., Quint S., Nagle H. A comparison of the noise sensitivity of nine QRS detection algorithms // IEEE Transactions on Biomedical Engineering. 1990. Vol. 37, No. 1. P. 85–98.
6. Maron B.J., Friedman R.A., Kligfield P., et al. Assessment of the 12-lead ECG as a screening test for detection of cardiovascular disease in healthy general populations of young people (12–25 years of age) // Circulation. 2014. Vol. 130, No. 15. P. 1303–1334.
7. Kingma D.P., Welling M. Auto-encoding variational Bayes. 2022.
8. Vahdat A., Kautz J. NVAE: A deep hierarchical variational autoencoder. 2020.
9. Golany T., Radinsky K. PGANs: Personalized generative adversarial networks for ECG synthesis to improve patient-specific deep ECG classification // Proceedings of the AAAI Conference on Artificial Intelligence. 2019. Vol. 33, No. 1. P. 557–564.
10. Yang H., Liu J., Zhang L., Li Y., Zhang H. ProEGAN-MS: A progressive growing generative adversarial networks for electrocardiogram generation // IEEE Access. 2021. Vol. 9. P. 52089–52100.
11. Golany T., Radinsky K., Freedman D. SimGANs: Simulator-based generative adversarial networks for ECG synthesis to improve deep ECG classification // Proceedings of the 37th International Conference on Machine Learning (PMLR). 2020. Vol. 119. P. 3597–3606.
12. Nankani D., Baruah R.D. Investigating deep convolution conditional GANs for electrocardiogram generation // 2020 International Joint Conference on Neural Networks (IJCNN). 2020. P. 1–8.
13. Thambawita V., Isaksen J.L., Hicks S.A., et al. DeepFake electrocardiograms using generative adversarial networks are the beginning of the end for privacy issues in medicine // Scientific Reports. 2021. Vol. 11. P. 21896.
14. Wu J., Wang L., Pan H., Wang B. MLCGAN: Multi-lead ECG synthesis with multi label conditional generative adversarial network // ICASSP 2023 – IEEE International Conference on Acoustics, Speech and Signal Processing. 2023. P. 1–5.
15. Alcaraz J.M.L., Strodthoff N. Diffusion-based conditional ECG generation with structured state space models. 2023.
16. Ho J., Jain A., Abbeel P. Denoising diffusion probabilistic models // CoRR. 2020. abs/2006.11239.
17. Dhariwal P., Nichol A. Diffusion models beat GANs on image synthesis. 2021.
18. Xia Y., Wang W., Wang K. ECG signal generation based on conditional generative models // Biomedical Signal Processing and Control. 2023. Vol. 82. P. 104587.
19. El-Kaddoury M., Mahmoudi A., Himmi M.M. Deep generative models for image generation: A practical comparison between variational autoencoders and generative adversarial networks // Mobile, Secure, and Programmable Networking. Cham: Springer, 2019. P. 1–8.
20. Kuznetsov V., Moskalenko V., Gribanov D., Zolotykh N. Interpretable feature generation in ECG using a variational autoencoder // Frontiers in Genetics. 2021. Vol. 12. P. 638191.
21. Sang Y., Beetz M., Grau V. Generation of 12-lead electrocardiogram with subject-specific, image-derived characteristics using a conditional variational autoencoder // 2022 IEEE 19th International Symposium on Biomedical Imaging (ISBI). 2022. P. 1–5.
22. Beetz M., Banerjee A., Sang Y., Grau V. Combined generation of electrocardiogram and cardiac anatomy models using multi-modal variational autoencoders // 2022 IEEE 19th International Symposium on Biomedical Imaging (ISBI). 2022. P. 1–4.
23. Salimans T., Karpathy A., Chen X., Kingma D.P. PixelCNN++: Improving the PixelCNN with discretized logistic mixture likelihood and other modifications. 2017.
24. Deng L. The MNIST database of handwritten digit images for machine learning research [Best of the Web] // IEEE Signal Processing Magazine. 2012. Vol. 29, No. 6. P. 141–142.
25. Krizhevsky A. Learning multiple layers of features from tiny images. 2009.
26. Larsen A.B.L., Sønderby S.K., Larochelle H., Winther O. Autoencoding beyond pixels using a learned similarity metric. 2016.
27. Karras T., Aila T., Laine S., Lehtinen J. Progressive growing of GANs for improved quality, stability, and variation. 2018.
28. Malmivuo J., Plonsey R. Bioelectromagnetism. 15. 12-Lead ECG System. 1975. P. 277–289.
29. Griffin D., Lim J. Signal estimation from modified short-time Fourier transform // IEEE Transactions on Acoustics, Speech, and Signal Processing. 1984. Vol. 32, No. 2. P. 236–243.
30. Strodthoff N., Wagner P., Schaeffter T., Samek W. Deep learning for ECG analysis: Benchmarks and insights from PTB-XL // IEEE Journal of Biomedical and Health Informatics. 2021. Vol. 25, No. 5. P. 1519–1528.
31. Donahue C., McAuley J., Puckette M. Adversarial audio synthesis. 2019.
32. Wu C.-J., Raghavendra R., Gupta U., et al. Sustainable AI: Environmental implications, challenges and opportunities // ArXiv. 2021. abs/2111.00364.
33. Wagner P., Strodthoff N., Bousseljot R.-D., et al. PTB-XL, a large publicly available electrocardiography dataset // Scientific Data. 2020. Vol. 7. P. 154.
34. Goldberger A., Amaral L., Glass L., et al. PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals // Circulation. 2000. Vol. 101. P. e215–e220.
35. Zheng J., Chu H., Struppa D., et al. Optimal multi-stage arrhythmia classification approach // Scientific Reports. 2020. Vol. 10.
36. El-Sappagh S., Franda F., Ali F., Kwak K.-S. SNOMED CT standard ontology based on the ontology for general medical science // BMC Medical Informatics and Decision Making. 2018. Vol. 18, No. 1. P. 76.
37. Berkaya S.K., Uysal A.K., Gunal E.S., et al. A survey on ECG analysis // Biomedical Signal Processing and Control. 2018. Vol. 43. P. 216–235.
38. Zhang M., Wang Y., Luo T. Federated learning for arrhythmia detection of non-IID ECG // 2020 IEEE 6th International Conference on Computer and Communications (ICCC). 2020. P. 1176–1180.


Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.

Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.

Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.

Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.

При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.

Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com

Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.

Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.