Оптимизация генеративно-состязательных сетей для синтеза электрокардиограмм методом адаптивной квантизации

Цель. Данная работа посвящена преодолению высоких требований к вычислительным ресурсам и объему оперативной памяти путем разработки методов эффективной оптимизации генеративно-состязательных сетей, адаптированных для генерации сигналов электрокардиограмм.
Метод. В работе использованы методы глубокого обучения генеративно-состязательных сетей, способы обработки сигналов электрокардиограмм и реализации адаптивной квантизации весовых коэффициентов по поиску оптимального уровня квантизации для снижения потребления памяти при сохранении качества синтеза данных.
Результат. В результате проведённых экспериментов была разработана и обучена собственная архитектура генеративно-состязательной сети для синтеза сигналов электрокардиограмм. Сравнительный анализ метрики Fréchet Distance подтвердил высокое сходство сгенерированных данных с реальными ЭКГ-записями. Разработанный метод адаптивного квантования AGWR обеспечил сокращение потребления оперативной памяти на 75% при сохранении качества синтеза, превосходя традиционный подход Min-Max даже при экстремальном сжатии весов до 4 бит.
Вывод. Работа преодолевает ограничения GAN по вычислительным ресурсам, открывая возможности для практического внедрения в медицинские системы с ограниченными аппаратными ресурсами. Предложенная методика способствует восполнению дефицита клинических данных, ускоряя развитие интеллектуальных диагностических инструментов и персонализированной медицины в области сердечно-сосудистой патологии

1. Hannun A. Y., Rajpurkar P., Haghpanahi M., et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network // Nature Medicine. – 2019. – Vol. 25. – P. 65–69.

2. Wagner P., Strodthoff N., Bousseljot R., et al. PTB-XL, a large publicly available electrocardiography dataset // Scientific Data. – 2020. – Vol. 7. – 154.

3. IanJ. Goodfellow. Generative Adversarial Nets. // arXiv preprint arXiv: 1406.2661. – 2014.

4. Jacob B., Kligys S., Chen B., et al. Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2018. – P. 2704–2713.

5. Moody G. B., Mark R. G. The impact of the MIT-BIH Arrhythmia Database // IEEE Engineering in Medicine and Biology Magazine. – 2001. – Vol. 20, № 3. – P. 45–50.

6. О.П. Тимофеева, М.М. Гордеев, Д.А. Кобляков. Обработка и генерация изображений ЭКГ // Труды НГТУ им. Р.Е. Алексеева № 1 (132),2021.– С. 24.

7. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. – 1997. – Vol. 9, № 8. – P. 1735–1780.

8. Heusel M., Ramsauer H., Unterthiner T., et al. GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium // Advances in Neural Information Processing Systems (NIPS). – 2017. – P. 6626–6637.

9. Fel Zhu, Ye Fei.Electrocardiogram generation with a bidirectional LSTM-CNN Generative adversarial network.Translational Biomedical Informatics. – 2019. – P.1-9.

10. A. Zhou et al. Incremental network quantization: Towards lossless CNNs with low-precision weights. // Proceedings of the International Conference on Learning Representations (ICLR). – 2017.

11. Z. Wang et al. Image quality assessment: From error visibility to structural similarity. // IEEE Transactions on Image Processing. – Vol. 13, Issue 4, Apr. 2004. – PP. 600–612.

12. Field, A. Discovering Statistics Using IBM SPSS Statistics. – London: Sage Publications Ltd., 2018.

13. H. Li et al. Pruning Filters for Efficient ConvNets. // Proceedings of the International Conference on Learning Representations (ICLR). – 2017.

14. Lloyd, S. P. Least Squares Quantization in PCM // IEEE Transactions on Information Theory. – 1982. – Vol. 28, № 2. – P. 129–137.