FlowECG: Using Flow Matching to Create a More Efficient ECG Signal Generator

Technische Samenvatting: FlowECG

Probleemstelling
Synthetische elektrocardiogram (ECG)-generatie is cruciaal voor medische AI-toepassingen, met name voor privacybewuste gegevensdeling en het uitbreiden van trainingsdatasets. Hoewel huidige state-of-the-art methoden, specifweg diffusiegebaseerde modellen zoals SSSD-ECG, een hoge generatiekwaliteit bereiken, lijden zij onder aanzienlijke computationele inefficiënties. Het iteratieve denoising-proces dat inherent is aan diffusiemodellen vereist honderden neurale netwerkevaluaties (forward passes) tijdens de sampling. Dit creëert een computationele bottleneck die de praktische inzetbaarheid van deze modellen in klinische omgevingen beperkt, vooral voor real-time generatie of grootschalige creatie van synthetische data.

Methodologie
De auteurs stellen FlowECG voor, een generatief framework dat de gevestigde SSSD-ECG architectuur aanpast, maar het discrete, iteratieve diffusieproces vervangt door continue flow matching-dynamiek.

• Architectuur: FlowECG behoudt de kernstructuur van de SSSD-ECG baseline, waarbij gebruik wordt gemaakt van 36 gestapelde residuele lagen met bidirectionele Structured State Space (S4) componenten om langetermijn temporele afhankelijkheden te vangen. Het model wordt geconditioneerd op 71 binaire diagnostische labels afgeleid van de PTB-XL dataset.
• Flow Matching Formulering: In tegen tegenstelling tot diffusiemodellen die een omgekeerd denoising-proces leren, leert FlowECG een tijdafhankelijke snelheidveld $u_t(x)$ om samples te transporteren van een basis Gaussische ruisverdeling ($p_0$) naar de doelverdeling van de data ($p_1$).
  • Training: Het model wordt getraind om het vectorveld $v_t = x_1 - x_0$ (waarbij $x_1$ het doelsignaal is en $x_0$ ruis) te voorspellen via een lineair interpolatiepad. De objectieffunctie minimaliseert de gemiddelde kwadratische fout tussen de voorspelde en de doelvectorvelden.
  • Sampling: Generatie wordt bereikt door een Ordinary Differential Equation (ODE) op te lossen van $t=0$ tot $t=1$ met behulp van het geleerde vectorveld. Dit maakt deterministische integratie mogelijk met aanzienlijk minder stappen vergeleken met de discrete stappen die door diffusie vereist zijn.
• Evaluatie: De modellen werden geëvalueerd op de PTB-XL dataset (21.799 opnames) met behulp van vier metrieken: Dynamic Time Warping (DTW), Wasserstein afstand, Maximum Mean Discrepancy (MMD) en een Spectral Similarity Score.

Belangrijkste Bijdragen

1. Architecturale Adaptatie: Het artikel slaagt erin de SSSD-ECG architectuur aan te passen aan een flow matching-framework, waarmee wordt aangetoond dat de onderliggende state-space modellen compatibel zijn met continue flow-dynamiek.
2. Demonstratie van Efficiëntie: De primaire bijdrage is de empirische demonstratie dat flow matching een generatiekwaliteit kan bereiken die vergelijkbaar met, of beter dan, state-of-the-art diffusiemodellen is, terwijl het aanzienlijk minder samplingstappen vereist.
3. Robuustheid tegen Sampling Reductie: De studie benadrukt dat FlowECG een hoge getrouwheid behoudt, zelfs wanneer het aantal Neural Function Evaluations (NFE) drastisch wordt verminderd, terwijl diffusiegebaseerde baselines onder vergelijkbare beperkingen zware kwaliteitsdegradatie vertonen.

Resultaten
Experimenten waarbij FlowECG werd vergeleken met een opnieuw getrainde SSSD-ECG baseline leverden de volgende bevindingen op:

• Prestaties bij Standaard Budget (200 NFE): Bij 200 neurale functie-evaluaties kwam FlowECG de baseline prestaties evenaren of overtreffen. Het behaalde superieure resultaten op drie van de vier metrieken:
  • MMD: 21,09 (FlowECG) vs. 80,70 (SSSD-ECG).
  • Wasserstein Afstand: 0,62 (FlowECG) vs. 1,03 (SSSD-ECG).
  • Spectrale Gelijkenis: 0,37 (FlowECG) vs. 0,30 (SSSD-ECG).
  • DTW: FlowECG vertoonde een bescheiden toename (83,96 vs. 73,49), wat wijst op een iets hogere time-warping afstand, maar bleef competitief.
• Prestaties bij Gereduceerd Budget (10–25 NFE): De meest significante bevinding kwam naar voren bij het reduceren van de samplingstappen.
  • SSSD-ECG: Vertoonde dramatische kwaliteitsdegradatie. Zo nam de DTW-afstand bijvoorbeeld toe tot boven de 600 bij slechts 2 NFE en bleef deze boven de 200 bij 25 NFE.
  • FlowECG: Demonstreerde superieure robuustheid en behield een consequent hoge kwaliteit met slechts 10–25 NFE.
• Visuele Kwaliteit: De gegenereerde ECG's vertoonden fysiologisch plausibele golfvormen, consistente ritmepatronen en realistische amplitude-variaties over alle 12 afleidingen, waarbij de correlaties tussen de afleidingen behouden bleven.

Betekenis en Claims
Het artikel claimt dat FlowECG de kritieke barrière van computationele efficiëntie aanpakt die de inzet van generatieve modellen in klinische settings beperkt. Door vergelijkbare of superieure resultaten te behalen met 10–25 samplingstappen in plaats van de 200 stappen die door diffusiemethoden vereist zijn, vermindert FlowECG de computationele vereisten met een factor tien.

De auteurs stellen dat de continue formulering van flow matching zorgt voor een stabieler optimalisatielandschap dan discrete diffusie, waardoor nauwkeurige integratie met minder stappen mogelijk is zonder de noodzaak van complexe noise scheduling. Deze efficiëntie maakt de aanpak geschikt voor:

• Real-time ECG-generatie in klinische omgevingen met beperkte middelen.
• Grootschalige creatie van synthetische data voor dataugmentatie.
• Privacybewuste gegevensdeling waar snelle generatie noodzakelijk is.

Het werk concludeert dat flow matching een praktisch alternatief is voor diffusie voor de synthese van medische tijdreeksen, en een pad biedt naar de inzet van hoogwaardige generatieve modellen in scenario's waar de computationele middelen beperkt zijn.