はじめに

第３５回人工知能学会全国大会で発表された以下の論文
[1] Naoki Nonaka, Jun Seita, RandECG: Data Augmentation for Deep Neural Network based ECG . The 35th Annual Conference of the Japanese Society for Artificial Intelligence, 2021.
https://www.jstage.jst.go.jp/article/pjsai/JSAI2021/0/JSAI2021_2N1IS2a02/_pdf/-char/ja
のまとめ

概要

ECG dataに対するaugmentationの研究
種々の data augmentation を加えた結果、心房細動の分類タスクでaccuracyが3.51%改善した

背景

Deep Learningを使う場合、データセットが足りてなければdata augmentationが重要だが、ECG data に対するdata augmentationはこれまで研究されてなかった
vsion系はもちろん、speech recognition 系の augmentation もそのままでは使えないので、今回種々のaugmentation手法を実験して効果を検証した

実験の設定

dataset

PhysioNet / Computing in Cardiology Challenge 2017 dataset
https://physionet.org/content/challenge-2017/1.0.0/
（下の方にdatasetのリンクがある）
The China Physiological Signal Challenge 2018 dataset
http://2018.icbeb.org/Challenge.html
（入手方法は未調査）

ネットワークのアーキテクチャ

以下のような1dの単純なResNet構造。

メトリクス

macro F1

試した data augmentation 手法

以下の図は今回試したdata augmentation 手法とそのハイパーパラメータの値（の最大値？）。

ここで出てくる range of magnitude 値・・・例えばscaleの[0.25,4]・・・は下記での結果図のmagnitude=20に相当するということか？（このあたり詳しく書かれてないが、参照としている[2]の論文では「magnitude=10 ・・・角度30度に対応」などとなっていることを考えると、range of magnitudeがM=10か20だろう）

実験結果

PhysioNet17を用いて、各手法単独の精度を検証

以下の図で各列はaugmentationの手法、各行はmagnitude（magnitude=20が上記range of magnitudeか？）

本文中にも書いているが、統計的に有意なくらいに精度が改善しているのは、shiftのみとのこと。他のaugmentation単体では精度改善が微小か、あるいは悪化している。

PhysioNet17を用いて、各手法の組み合わせで精度を検証

以下の図で、各列は採用したaugmentation手法の数、各行はmagnitude。どのような組み合わせなのか、あるいはランダムに組み合わせたものを何度も試行しているのか、等不明

小さい範囲で多数のaugmentationを用いるとそれないの成果があるようだ。

まとめと感想

結果を概観してのまとめ

この論文読んだだけでは不明点が多いが、以下のような点は言えるか。

augmentation単独ではshiftが最も効く
augmentationを組み合わせれば、適切な強度において精度が上がる
組み合わせの数や、用いるaugmentationの中身、あるいはその強度によっては精度が悪化する

感想

shiftに効果があるのは、training dataとtest dataのピーク取得法が異なる等が関係しているのだろうか？
本論文では行なっていないが、単独で精度の良いもので組み合わせを作れば、より精度のよいものが得られる気がする
精度の改善が良くても3%程度なのは、元々データが豊富にあるためか？つまりデータが少なければより大きな改善が期待できるだろうか

reference

[2] Cubuk, E.D., Zoph, B., Shlens, J., Le, Q.V.: Ran- daugment: Practical automated data augmentation with a reduced search space. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pat- tern Recognition Workshops. pp. 702–703 (2020)