ODE 제약을 활용한 12리드 ECG 합성 모델

초록

본 논문은 심장 전기역학을 기술하는 ODE 기반 모델을 GAN 학습에 직접 결합해, 12리드 ECG 신호를 생리학적으로 일관된 형태로 합성한다. 새롭게 제안된 Euler Loss가 생성된 파형의 시간‑동역학을 ECG Dynamical Model(EDM)과 정합시키며, 리드 간 물리법칙(예: Einthoven 법칙)까지 강제한다. G12EC와 PTB‑XL 데이터셋 실험에서 MultiODE‑GAN을 이용한 데이터 증강이 다양한 심장 질환 분류에서 특이도 향상을 가져옴을 입증한다.

상세 분석

본 연구는 기존 GAN 기반 ECG 합성 방법이 갖는 두 가지 근본적인 한계를 극복한다. 첫째, 단일 리드에만 적용 가능한 ODE 제약을 12리드 전체에 확장함으로써 리드 간 전기적 연관성을 보존한다. 이를 위해 저자들은 McSharry 등(2003)이 제시한 ECG Dynamical Model(EDM)을 각 리드와 병리 클래스별 파라미터 ηₖᶜ 로 사전 피팅하고, 학습 중에는 이 파라미터를 고정한다. 둘째, ODE 준수 여부를 정량화하는 ‘Euler Loss’를 도입한다. Euler 방법은 Δt=1/fs 로 설정된 간단한 전진 차분이지만, 미분 가능성을 유지하면서 생성된 신호가 EDM의 미분 방정식을 얼마나 잘 따르는지를 손실 함수에 직접 반영한다. 이 손실은 (1) 개별 리드의 시간‑동역학 일관성, (2) Einthoven 법칙 등 해부학적 제약을 동시에 만족시키도록 설계되었다.

아키텍처 측면에서 저자들은 WaveGAN을 기반으로 12채널 출력을 지원하도록 확장하고, WGAN‑GP를 이용해 훈련 안정성을 확보한다. 심장 박동을 고정 길이 행렬 h∈ℝ^{12×L} 로 세분화한 뒤, 각 사이클마다 EDM 파라미터를 적용해 Euler Residual을 계산한다. 이 과정은 미분 가능하므로 역전파가 가능하며, GAN의 생성자 손실에 직접 더해진다. 결과적으로 생성자는 단순히 판별기를 속이는 것이 아니라, 물리‑수학적 제약을 만족하는 파형을 만들어야 한다.

실험에서는 G12EC와 PTB‑XL 두 대규모 12리드 데이터셋을 사용해, MultiODE‑GAN이 기존 SSSD‑ECG(확산 기반)와 WaveGAN‑SIM(단일 리드 ODE) 대비 전반적인 품질 지표(FID, IS)와 임상적 유용성(특이도, 민감도)에서 우수함을 보였다. 특히 LVSD(좌심실 수축기능 저하) 조기 탐지 과제에서 합성 데이터를 추가 학습에 활용했을 때, 전문 심장학자 수준의 특이도 향상을 달성했다. 이는 생리학적 일관성을 갖춘 합성 데이터가 실제 임상 모델의 일반화에 크게 기여함을 시사한다.

한계점으로는 EDM 파라미터를 사전 피팅하는 과정이 각 리드·클래스마다 별도로 수행돼 데이터 전처리 비용이 증가한다는 점, 그리고 Euler 손실이 낮은 차분 근사에 의존하므로 고주파 잡음이나 비선형 변형에 민감할 수 있다는 점을 들 수 있다. 향후 연구에서는 파라미터 자동 추정, 고차수 ODE 솔버(예: RK4)와의 결합, 그리고 확산 모델에 ODE 제약을 통합하는 방향이 제시된다.