심전도 이상 탐지를 위한 Variational Autoencoder 비교 연구 = Comparison of variational autoencoders for anomaly detection of electrocardiogram

국문 초록 (Abstract)

심전도는 심장질환을 감지하고 진단하기 위한 도구로 널리 이용되고 있다. 이상 심전도를 탐지하기 위해 지도학습에 기반한 다양한 딥러닝 모형들이 제안되었으나, 정상 및 이상 데이터의 불균형 등으로 인해 제한적인 성능을 보였다. 이러한 문제를 해결하기 위해 생성모형인 variational autoencoder(VAE)를 이용한 이상 탐지 모형이 제안되었다. 이 방법은 정상 데이터로 VAE 모형을 학습하고, 검증 데이터를 이용하여 정상 및 이상을 구분하는 임계값을 설정한 후, 이를 통해 테스트 데이터의 정상 및 이상을 구분한다. VAE 모형은 인코더, 잠재변수 층, 디코더로 구분되며, 인코더 및 디코더에 딥러닝 모형을 내포할 수 있다. 본 논문에서는 다양한 설정 하에서 MLP, RNN, LSTM 모형이 내포된 VAE 모형을 비교하도록 한다. 우선 원자료 뿐만 아니라 심전도 자료의 시계열적 특성을 고려하여 1차 차분한 자료를 이용하였다. 또한 기존 연구에서 디코더의 분산을 1로 고정한데 반해, 본 연구에서는 디코더의 분산에 딥러닝 모형을 설정한 경우 역시 고려하였다. 분석 결과 원자료를 이용하고 디코더의 분산에 딥러닝 모형을 설정한 LSTM 기반의 VAE 모형의 성능이 가장 우수하였다. 또한 차분한 자료를 이용하는 것보다 원자료를 이용하는 경우 모든 모형의 성능이 더 우수하였다.

다국어 초록 (Multilingual Abstract)

Electrocardiogram is widely used as a tool for detecting and diagnosing heart disease. Previous research revealed that deep learning models based on supervised learning have limited performance due to imbalance between normal and anomaly. To overcome this problem, anomaly detection models using variational autoencoder (VAE) have been proposed. After training VAE model using normal data, a threshold to distinguish normal and anomaly is set by using validation data, then test data is applied. VAE model has encoder, a latent variable layer, and decoder. and deep learning models are embedded in encoder and decoder. In this paper, VAE models embedding MLP, RNN, and LSTM are compared under various settings which are the type of data (original data or the first-order differential data) and the assumption for the variance of decoder. As results of analysis, VAE model based on LSTM is performed best when original data is used and a deep learning model for the variance of decoder is embedded. Additionally, the performance of VAE models using original data were better than models using first-order differential data.

참고문헌 (Reference)

• 1 Dau, H. A., "The ucr time series archive"
• 2 Matias, P., "Robust Anomaly Detection in Time Series through Variational AutoEncoders and a Local Similarity Score" 4 : 91-102, 2021
• 3 Roy, M., "ECG-NET : A deep LSTM autoencoder for detecting anomalous ECG" 124 : 106484-, 2023
• 4 Chalapathy, R., "Deep learning for anomaly detection: A survey"
• 5 김성태 ; 박만식, "Clustering country-wise COVID-19 dynamics in North Carolina, USA" 23 (23): 2535-2546, 2021
• 6 Singh, S., "Classification of ECG arrhythmia using recurrent neural networks" 132 (132): 1290-1297, 2018
• 7 Kingma, D. P., "Auto-encoding variational bayes"
• 8 Oluwasanmi, A., "Attention autoencoder for generative latent representational learning in anomaly detection" 22 (22): 123-, 2021
• 9 박지훈 ; 문성일 ; 고영호 ; 박헌진, "Areal velocity based DTW for abnormal trajectory detection" 25 (25): 549-561, 2023
• 10 문성일 ; 고영호 ; 박지훈 ; 박헌진, "Anomaly detection of cruise phase altitude break away using MARS and PAM" 25 (25): 63-78, 2023
• 11 bBraei, M., "Anomaly detection in univariate time-series: A survey on the state-of-the-art"
• 12 Chandola, V., "Anomaly detection : A survey" 41 (41): 1-58, 2009
• 13 Ji, Z., "A novel deep learning approach for anomaly detection of time series data" 2021 (2021): 2021
• 14 Park, D., "A multimodal anomaly detector for robot-assisted feeding using an lstm-based variational autoencoder" 3 (3): 1544-1551, 2017
• 15 Zhang, C., "A deep neural network for unsupervised anomaly detection and diagnosis in multivariate time series data"
• 16 Acharya, U. R., "A deep convolutional neural network model to classify heartbeats" 89 (89): 389-396, 2017
• 17 양정화 ; 최수훈 ; 임남희 ; 이상현 ; 김민수, "A comparison of LSTM model using meteorogical and soil data" 23 (23): 589-598, 2021