CN114343665A - 一种基于图卷积空时特征融合选择的心律失常识别方法 - Google Patents

Abstract

本发明提供了一种基于图卷积空时特征融合选择的心律失常识别方法，基于相关矩阵构造的图卷积神经网络和门控循环单元，提出了提取空时特征信息，通过注意力机制进行特征融合的深度学习模型GTAM，模型使用相关矩阵通过拉普拉斯Laplacian归一化来估计邻接矩阵，获得了多导ECG信号用以不同心律失常实时分类监测的空域特征表示，利用SWLSTM在时序信号强大的处理能力，对多导ECG信号进行时域上的特征提取，注意力机制对提取的空域特征和时域特征融合，使得模型避免了人工特征所存在的有区分度特征表达不充分的问题，同时提升了模型的泛化性能，使得模型更适合基于多导ECG信号用以不同心律失常实时分类监测。

Description

一种基于图卷积空时特征融合选择的心律失常识别方法

技术领域

本发明涉及心律失常识别领域，具体而言，涉及一种基于图卷积空时特征融合选择的心律失常识别方法。

背景技术

当前使用多导联ECG信号进行心律失常实时监测的方法主要包括三个方面：一是基于统计学规则的鉴别器方法；二是使用机器学习模型对ECG信号提取的特征信息作为输入进行分类；三是使用传统的基于欧氏距离的DNN模型对ECG信号进行分类。

在这类使用使用ECG信号进行心律失常类别的实时监测方法中，其描述ECG信号心律失常的信息量相对不够完整，在实际的监测过程中误判和漏判心律失常的概率较大；使用机器学习对ECG信号心律失常分类预测的过程中，得到具有较高准确性分类模型的关键是提取具有判别性的特征，但这种具有判别性的特征的提取需要有大量的先验知识，同时这样的特征工程十分费事费力；使用传统的基于欧氏距离的CNN模型对多导联ECG信号进行心律失常分类预测的过程中，由于CNN是通过欧氏距离对ECG信号的时间轴和导联的相关性进行描述，但对于使用多导联ECG信号进行心律失常的导联之间是一种不规则的关系，使用欧氏距离不能完全描述这种关联性，此时CNN在这类数据上无法保持位移不变性，也就导致实际的监测过程中对心律失常分类判别的准确性能不强，因此我们对此做出改进，提出一种基于图卷积空时特征融合选择的心律失常识别方法。

发明内容

本发明的目的在于：针对目前存在的背景技术提出的问题。

为了实现上述发明目的，本发明提供了以下技术方案：一种基于图卷积空时特征融合选择的心律失常识别方法，包括，其特征在于，包括以下步骤：

步骤S1：将采集的历史数据标注样本后进行模型训练；

步骤S2：所述步骤S1进行模型训练后，使用滑动窗口法将实时采集的固定长度的多导心电信号，使用训练集共享的标准化参数进行标准化后作为输入；

步骤S21标准化的方法为，记变量序列为s₁,…,s_n，记其中平均值和标准差值分别为:μ和σ,则标准化后的序列为：

其中标准化后的序列值服从正态分布，μ为平均值，σ为标准差值，s为变量值，存储μ和σ的值；

步骤S3：所述步骤S2标准化参数输入后，进行分类预测输出心律失常类别为标签。

作为本申请优选的技术方案，所述步骤S1包括预处理单元、GCN空域特征提取单元、GRU时域特征提取单元、特征融合单元，以及分类结果输出单元。

作为本申请优选的技术方案，所述特征融合单元设置有注意力层，所述分类结果输出单元设置有输出结果标签。

作为本申请优选的技术方案，还包括构造邻接矩阵模块、GCN空域特征提取模块、SWLSTM时域特征提取模块、空时特征消除量纲影响模块、注意力机制融合特征模块和分类模块。

作为本申请优选的技术方案，所述构造邻接矩阵模块，首先计算输入多导联ECG信号序列的协方差或相关矩阵，然后使用拉普拉斯Laplacian归一化来估计邻接矩阵，具体过程如下：

其中I_N表示跟A相同阶数的单位矩阵，本发明中的N值为12。

作为本申请优选的技术方案，所述GCN空域特征提取模块相较于CNN中的卷积运算，其过程为：首先对属性信息进行仿射变换，学习了属性特征之间的交互模式，然后迭代式的聚合邻居节点的特征，从而更新当前节点的特征，每多一层卷积运算，中心节点就能多融合进更外一圈的信息，可以更充分提取了多导联ECG信号中的特征信息并且筛选出具有区分度的信息，构建的GCN模型设置两层图卷积层，使用ReLU作为激活函数，通过全连接层将GCN提取的特征线性映射后输入特征融合模块。

作为本申请优选的技术方案，所述SWLSTM时域特征提取模块，SWLSTM是将LSTM中的输入门、遗忘门和输出门组合成一种称为共享门的新门，提取数据的时域特征，且在保障得到与LSTM相近预测效果的同时大大降低了计算量并获得更快的收敛速度，其中构建的SWLSTM模型设置一层SWLSTM层，然后使用全连接层将SWLSTM提取的特征线性映射后输入特征融合模块。

作为本申请优选的技术方案，所述空时特征消除量纲影响模块，将GCN提取的空域特征使用全连接层进行线性映射，同时将SWLSTM提取的时域特征使用相同单元的全连接层进行线性映射。

作为本申请优选的技术方案，所述注意力机制融合特征模块，通过GCN提取的空域特征和SWLSTM提取的特征其在分类过程中的重要程度是不同的，因此，筛选出ECG信号经特征提取的有区分度的特征，注意力机制本质上为加权计算，通过训练过程中的权系数变化对空时域特征重要程度的筛选。

作为本申请优选的技术方案，还包括建立多导ECG信号用以不同心律失常实时分类监测的GG-net模型，并对数据进行验证，包括正常N、房颤AF、一级房室传导阻滞I-AVB、左束支传导阻滞LBBB、右束支传导阻滞RBBB、房性早搏PAC、室性早搏PVC、ST段压低STD和ST段抬高STE九大类，使用准确性能指标：准确率、召回率、特异性和马太相关系数；

其中准确率简称Ac的计算公式为：

其中召回率简称Re的计算公式为：

其中特异性简称Sp的计算公式为：

其中马太相关系数Mc的计算公式为：

其中TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性。

与现有技术相比，本发明的有益效果：

在本申请的方案中：

1)为充分提取多导ECG信号的特征信息，基于相关矩阵构造的图卷积神经网络和门控循环单元，提出了提取空时特征信息，然后通过相同全连接单元分别进行空时特征量纲消除，最后通过注意力机制进行特征融合的深度学习模型GTAM；

2)模型使用相关矩阵通过拉普拉斯Laplacian归一化来估计邻接矩阵，作为图卷积的计算单元，充分表达出多导ECG信号各导联之间不规则的关系，获得了多导ECG信号用以不同心律失常实时分类监测的空域特征表示；

3)利用SWLSTM在时序信号强大的处理能力，对多导ECG信号进行时域上的特征提取；

4)通过注意力机制对提取的空域特征和时域特征融合，使得模型避免了人工特征所存在的有区分度特征表达不充分的问题，同时提升了模型的泛化性能，使得本发明提出的模型更适合基于多导ECG信号用以不同心律失常实时分类监测。

附图说明：

图1为本申请提供的多导联ECG信号序列图；

图2为本申请提供的相关矩阵图；

图3为本申请提供的内部结构图；

图4为本申请提供的流程图；

图5为本申请提供的收敛曲线图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一种具体实施方式，不限于全部的实施例。

因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的部分实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-图5，一种基于图卷积空时特征融合选择的心律失常识别方法，包括步骤S1：将采集的历史数据标注样本后进行模型训练；

步骤S2：所述步骤S1进行模型训练后，使用滑动窗口法将实时采集的固定长度的多导心电信号，使用训练集共享的标准化参数进行标准化后作为输入；

步骤S21标准化的方法为，记变量序列为s₁,…,s_n，记其中平均值和标准差值分别为:μ和σ,则标准化后的序列为：

其中标准化后的序列值服从正态分布，μ为平均值，σ为标准差值，s为变量值，存储μ和σ的值。

步骤S3：所述步骤S2标准化参数输入后，进行分类预测输出心律失常类别为标签。

作为优选的实施方式，在上述方式的基础上，进一步的，所述步骤S1包括预处理单元、GCN空域特征提取单元、GRU时域特征提取单元、特征融合单元，以及结果输出单元。

作为优选的实施方式，在上述方式的基础上，进一步的，所述特征融合单元设置有注意力层，所述分类结果输出单元设置有输出结果标签。

作为优选的实施方式，在上述方式的基础上，进一步的，还包括构造邻接矩阵模块、GCN空域特征提取模块、SWLSTM时域特征提取模块、空时特征消除量纲影响模块、注意力机制融合特征模块和分类模块。

作为优选的实施方式，在上述方式的基础上，进一步的，所述构造邻接矩阵模块，首先计算输入多导联ECG信号序列的协方差或相关矩阵，然后使用拉普拉斯Laplacian归一化来估计邻接矩阵，具体过程如下：

其中I_N表示跟A相同阶数的单位矩阵，本发明中的N值为12。

作为优选的实施方式，在上述方式的基础上，进一步的，所述GCN空域特征提取模块相较于CNN中的卷积运算，其过程为：首先对属性信息进行仿射变换，学习了属性特征之间的交互模式，然后迭代式的聚合邻居节点的特征，从而更新当前节点的特征，每多一层卷积运算，中心节点就能多融合进更外一圈的信息，可以更充分提取了多导联ECG信号中的特征信息并且筛选出具有区分度的信息，构建的GCN模型设置两层图卷积层，使用ReLU作为激活函数，通过全连接层将GCN提取的特征线性映射后输入特征融合模块。

作为优选的实施方式，在上述方式的基础上，进一步的，所述SWLSTM时域特征提取模块，SWLSTM是将LSTM中的输入门、遗忘门和输出门组合成一种称为共享门的新门，提取数据的时域特征，且在保障得到与LSTM相近预测效果的同时大大降低了计算量并获得更快的收敛速度，其中构建的SWLSTM模型设置一层SWLSTM层，然后使用全连接层将SWLSTM提取的特征线性映射后输入特征融合模块。

作为优选的实施方式，在上述方式的基础上，进一步的，所述空时特征消除量纲影响模块，将GCN提取的空域特征使用全连接层进行线性映射，同时将SWLSTM提取的时域特征使用相同单元的全连接层进行线性映射。

作为优选的实施方式，在上述方式的基础上，进一步的，所述注意力机制融合特征模块，通过GCN提取的空域特征和SWLSTM提取的特征其在分类过程中的重要程度是不同的，因此，筛选出ECG信号经特征提取的有区分度的特征，注意力机制本质上为加权计算，通过训练过程中的权系数变化对空时域特征重要程度的筛选。

作为优选的实施方式，在上述方式的基础上，进一步的，还包括建立多导ECG信号用以不同心律失常实时分类监测的GG-net模型，并对数据进行验证，包括正常N、房颤AF、一级房室传导阻滞I-AVB、左束支传导阻滞LBBB、右束支传导阻滞RBBB、房性早搏PAC、室性早搏PVC、ST段压低STD和ST段抬高STE九大类，使用准确性能指标：准确率、召回率、特异性和马太相关系数；

其中准确率简称Ac的计算公式为：

其中召回率简称Re的计算公式为：

其中特异性简称Sp的计算公式为：

其中马太相关系数Mc的计算公式为：

其中TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性。

工作模块：本发明在使用的过程中，步骤S1：将采集的历史数据标注样本后进行模型训练；步骤S2：所述步骤S1进行模型训练后，使用滑动窗口法将实时采集的固定长度的多导心电信号，使用训练集共享的标准化参数进行标准化后作为输入；步骤S21标准化的方法为，记变量序列为s₁,…,s_n，记其中平均值和标准差值分别为:μ和σ,则标准化后的序列为：

其中标准化后的序列值服从正态分布，μ为平均值，σ为标准差值，s为变量值，存储μ和σ的值，步骤S3：所述步骤S2标准化参数输入后，进行分类预测输出心律失常类别为标签，还包括构造邻接矩阵模块、GCN空域特征提取模块、SWLSTM时域特征提取模块、空时特征消除量纲影响模块、注意力机制融合特征模块和分类模块，构造邻接矩阵模块，首先计算输入多导联ECG信号序列如图1所示的协方差或相关矩阵，本实施例以相关矩阵为例，然后对得到的相关矩阵如图2所示，然后使用拉普拉斯Laplacian归一化来估计邻接矩阵，具体过程如下：

其中I_N表示跟A相同阶数的单位矩阵，本发明中的N值为12，所述GCN空域特征提取模块，相较于CNN中的卷积运算，GCN中的卷积运算最大的区别是具有显式的邻接矩阵表达。其过程为：首先对属性信息进行仿射变换，学习了属性特征之间的交互模式，然后迭代式的聚合邻居节点的特征，从而更新当前节点的特征。其每多一层卷积运算，中心节点就能多融合进更外一圈的信息，可以更充分提取了多导联ECG信号中的特征信息并且筛选出具有区分度的信息，在提高了多导联ECG信号在不同心律失常实时分类监测方法的准确性能同时，也保证了分类系统的泛化性能。其中构建的GCN模型结果如图3所示，设置两层图卷积层，同时使用ReLU作为激活函数，然后使用全连接层将GCN提取的特征线性映射后输入特征融合模块，所述SWLSTM时域特征提取模块，SWLSTM是将LSTM中的输入门、遗忘门和输出门组合成一种称为共享门的新门结构内部结构如图3所示，具有非线性拟合能力。能够有效提取数据的时域特征，且在保障得到与LSTM相近预测效果的同时大大降低了计算量并获得更快的收敛速度。其中构建的SWLSTM模型结果如图3所示，设置一层SWLSTM层，然后使用全连接层将SWLSTM提取的特征线性映射后输入特征融合模块，所述空时特征消除量纲影响模块，将GCN提取的空域特征使用全连接层进行线性映射，同时将SWLSTM提取的时域特征使用相同单元的全连接层进行线性映射，这样就消除了不同域特征直接由于幅度不同导致对有区分度特征的提取不充分问题，其在模型训练过程中使用更加有效率的梯度下降以及反向传播，避免了梯度爆炸和梯度消失问题，同时简化计算过程，所述注意力机制融合特征模块，通过GCN提取的空域特征和SWLSTM提取的特征其在分类过程中的重要程度是不同的。因此，筛选出ECG信号经特征提取的有区分度的特征具有重要的价值，一个有效的方法是采用注意力机制。注意力机制本质上是一种加权计算，通过训练过程中的权系数变化实现空时域特征重要程度的筛选，还包括建立多导ECG信号用以不同心律失常实时分类监测的GG-net模型，并对数据进行验证，包括正常(N)、房颤AF、一级房室传导阻滞I-AVB、左束支传导阻滞LBBB、右束支传导阻滞RBBB、房性早搏PAC、室性早搏PVC、ST段压低STD和ST段抬高STE九大类，使用准确性能指标：准确率、召回率、特异性和马太相关系数。

其中准确率简称Ac的计算公式为：

其中召回率简称Re的计算公式为：

其中特异性简称Sp的计算公式为：

其中马太相关系数Mcc的计算公式为：

其中TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性。

以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于图卷积空时特征融合选择的心律失常识别方法，其特征在于，包括以下步骤：

步骤S1：将采集的历史数据标注样本后进行模型训练；

步骤S2：所述步骤S1进行模型训练后，使用滑动窗口法将实时采集的固定长度的多导心电信号，使用训练集共享的标准化参数进行标准化后作为输入；

步骤S21标准化的方法为，记变量序列为s₁,…,s_n，记其中平均值和标准差值分别为:μ和σ,则标准化后的序列为：

其中标准化后的序列值服从正态分布，μ为平均值，σ为标准差值，s为变量值，存储μ和σ的值；

步骤S3：所述步骤S2标准化参数输入后，进行分类预测输出心律失常类别为标签。

2.根据权利要求1所述的一种基于图卷积空时特征融合选择的心律失常识别方法，其特征在于，所述步骤S1包括预处理单元、GCN空域特征提取单元、GRU时域特征提取单元、特征融合单元，以及分类结果输出单元。

3.根据权利要求2所述的一种基于图卷积空时特征融合选择的心律失常识别方法，其特征在于，所述特征融合单元设置有注意力层，所述分类结果输出单元设置有输出结果标签。

4.根据权利要求1所述的一种基于图卷积空时特征融合选择的心律失常识别方法，其特征在于，还包括构造邻接矩阵模块、GCN空域特征提取模块、SWLSTM时域特征提取模块、空时特征消除量纲影响模块、注意力机制融合特征模块和分类模块。

5.根据权利要求4所述的一种基于图卷积空时特征融合选择的心律失常识别方法，其特征在于，所述构造邻接矩阵模块，首先计算输入多导联ECG信号序列的协方差或相关矩阵，然后使用拉普拉斯Laplacian归一化来估计邻接矩阵，具体过程如下：

其中I_N表示跟A相同阶数的单位矩阵，本发明中的N值为12。

6.根据权利要求4所述的一种基于图卷积空时特征融合选择的心律失常识别方法，其特征在于，所述GCN空域特征提取模块相较于CNN中的卷积运算，其过程为：首先对属性信息进行仿射变换，学习了属性特征之间的交互模式，然后迭代式的聚合邻居节点的特征，从而更新当前节点的特征，每多一层卷积运算，中心节点就能多融合进更外一圈的信息，可以更充分提取了多导联ECG信号中的特征信息并且筛选出具有区分度的信息，构建的GCN模型设置两层图卷积层，使用ReLU作为激活函数，通过全连接层将GCN提取的特征线性映射后输入特征融合模块。

7.根据权利要求4所述的一种基于图卷积空时特征融合选择的心律失常识别方法，其特征在于，所述SWLSTM时域特征提取模块，SWLSTM是将LSTM中的输入门、遗忘门和输出门组合成一种称为共享门的新门，提取数据的时域特征，且在保障得到与LSTM相近预测效果的同时大大降低了计算量并获得更快的收敛速度，其中构建的SWLSTM模型设置一层SWLSTM层，然后使用全连接层将SWLSTM提取的特征线性映射后输入特征融合模块。

8.根据权利要求4所述的一种基于图卷积空时特征融合选择的心律失常识别方法，其特征在于，所述空时特征消除量纲影响模块，将GCN提取的空域特征使用全连接层进行线性映射，同时将SWLSTM提取的时域特征使用相同单元的全连接层进行线性映射。

9.根据权利要求4所述的一种基于图卷积空时特征融合选择的心律失常识别方法，其特征在于，所述注意力机制融合特征模块，通过GCN提取的空域特征和SWLSTM提取的特征其在分类过程中的重要程度是不同的，因此，筛选出ECG信号经特征提取的有区分度的特征，注意力机制本质上为加权计算，通过训练过程中的权系数变化对空时域特征重要程度的筛选。

10.根据权利要求4所述的一种基于图卷积空时特征融合选择的心律失常识别方法，其特征在于，还包括建立多导ECG信号用以不同心律失常实时分类监测的GG-net模型，并对数据进行验证，包括正常N、房颤AF、一级房室传导阻滞I-AVB、左束支传导阻滞LBBB、右束支传导阻滞RBBB、房性早搏PAC、室性早搏PVC、ST段压低STD和ST段抬高STE九大类，使用准确性能指标：准确率、召回率、特异性和马太相关系数；

其中准确率简称Ac的计算公式为：

其中召回率简称Re的计算公式为：

其中特异性简称Sp的计算公式为：

其中马太相关系数Mc的计算公式为：

其中TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性。

Images