心電図マルチモーダル合成のための補完性維持型生成理論：量子インスパイアード手法

Abstract

マルチモーダル深層学習は、時間、周波数、時間周波数表現を共同で活用することで、心電図（ECG）分類を大幅に改善してきました。しかし、既存の生成モデルでは、これらのモダリティを通常は独立に合成するため、見た目には妥当に思える一方で、ドメイン間で生理学的に一貫しない合成ECGデータが生成されがちです。本研究では、補完性を保持する生成理論（CPGT: Complementarity-Preserving Generative Theory）を提案し、生理学的に妥当なマルチモーダル信号生成には、モダリティ合成を単にゆるく結合するのではなく、ドメイン間の補完性を明示的に保持することが必要だと主張します。私たちは、量子に着想を得た生成フレームワークであるQ-CFD-GANを通じてCPGTを実装します。Q-CFD-GANは、複素数値の潜在空間上でマルチモーダルECGの構造をモデル化し、相互情報量、冗長性、形態的整合性を調整する補完性を意識した制約を課します。実験評価の結果、Q-CFD-GANは、潜在埋め込みの分散を82%減少させ、分類器ベースの妥当性エラーを26.6%低減し、三領域（tri-domain）の補完性を0.56から0.91へと回復させることが示されました。また、観測された形態偏差が最も小さく（3.8%）、これを達成しています。これらの結果は、モダリティ固有の忠実性だけを最適化するのではなく、マルチモーダル情報の幾何（information geometry）を保持することが、生理学的に意味を持ち、下流の臨床向け機械学習アプリケーションに適した合成ECG信号を生成するうえで不可欠であることを示しています。