CN114431873A - 一种基于图卷积的心电图心率多类型预测模型构建方法 - Google Patents

一种基于图卷积的心电图心率多类型预测模型构建方法 Download PDF

Info

Publication number
CN114431873A
CN114431873A CN202210083513.8A CN202210083513A CN114431873A CN 114431873 A CN114431873 A CN 114431873A CN 202210083513 A CN202210083513 A CN 202210083513A CN 114431873 A CN114431873 A CN 114431873A
Authority
CN
China
Prior art keywords
graph
node
nodes
matrix
heart rate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210083513.8A
Other languages
English (en)
Other versions
CN114431873B (zh
Inventor
刘华锋
彭建辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210083513.8A priority Critical patent/CN114431873B/zh
Publication of CN114431873A publication Critical patent/CN114431873A/zh
Priority to US18/075,447 priority patent/US20230225663A1/en
Priority to JP2022196838A priority patent/JP7487965B2/ja
Application granted granted Critical
Publication of CN114431873B publication Critical patent/CN114431873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Complex Calculations (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于图卷积的心电图心率多类型预测模型构建方法，该预测模型基于节点互信息池化图卷积网络，根据人体体表ECG原始信号，能够准确地预测心率失常类型；图结构的建立考虑了疾病之间的特征联系性，将原本通过深度学习CNN得到的各标签“模糊”特征，再在图域上进行相互的一个聚合，从而更能够通过相互影响得到一个更准确的各种心率特征，从而为最终提供决策。本发明在临床的诊断及治疗上具有重要的参考意义，可直接使用人体体表ECG信号进行一个心率失常诊断，一定程度上避免了带通滤波去噪等方法对数据的失真，提高了诊断的准确性。

Description

一种基于图卷积的心电图心率多类型预测模型构建方法
技术领域
本发明属于心脏电生理疾病预测技术领域，具体涉及一种基于图卷积的心电图心率多类型预测模型构建方法。
背景技术
心血管疾病是一系列心脏或者血管相关疾病总称，一直都是威胁人类生命的主要疾病之一，其引起的死亡率仍占首位。ECG(心电信号)是人类最早研究并应用于医学临床的生物信号之一，心电图反映了人体心脏健康状况，是临床诊断心血管类疾病的重要依据。随着心电图数量的快速增长，计算机辅助心电图分析的需求愈加迫切，心电图自动分类作为实现计算机辅助心电图分析不可或缺的技术手段，具有重要的医学价值。如今，机器学习与人工智能辅助诊断取得了迅速发展。
现有的心电图心率多类型预测构建方法大多数分为两大类，一类是基于心电图的形态特征(如拍间间隔、振幅、面积)进行特征选择来提高诊断决策，这一类方法不仅实施起来繁杂，同时缺少对ECG信号数据更深入层次的特征的能力。另一类心率多类型预测是对心电图进行复杂的心拍切分，再用卷积神经网络进行一个自动特征提取与决策，这一类目前相关研究工作较多，主要是运用CNN或者LSTM相关模型算法来展开进行的，但是此类研究数据预处理过程十分复杂，方法不具有端到端实时实施的特性，操作起来复杂。同时，这些方法目前研究所预测的心率类型数量大多数只有两种或者几种，预测类型数量不够多，实际使用意义不大。例如文献[李润川,张行进,陈刚,姚金良,于婕,王宗敏.基于多特征融合的心搏类型识别研究[J].郑州大学学报(工学版),2021,42(04):7-12.DOI:10.13705/j.issn.1671-6833.2021.04.011]当中通过对原始心电图数据进行去噪和心拍峰值位置确定，然后再计算出预处理之后得到的心拍形态特征，进而利用KNN算法进行异常类型五分类预测，这种方法前期预处理过程复杂，KNN算法无法高效区分各个心率类型，同时涉及的心率类型较少，显示使用意义不大。文献[朱俊江,杨潞潞,严天宏,孙皛,卓威.基于双卷积神经网络的心电图类型识别方法和装置[P].上海市：CN110236520A,2019-09-17]利用卷积神经网络将多导联的心电图数据分类自动提取深度特征，然后对以此特征进行最终的二分类预测，此方法利用的是自动深度特征，但是其特征表征不够深入，最终预测心率异常类型为二分类，无法在更复杂的数据上进行更多更复杂的预测。
为此，提出一种能够端到端不需要复杂的数据预处理过程和能够很好自动表征心电图原始数据的方法具有极为重要的现实意义。
发明内容
鉴于上述，本发明提供了一种基于图卷积的心电图心率多类型预测模型构建方法，将十二导联电信号转无向图，无向图利用了节点之间的关系，通过一种节点互信息池化U型图网络来学习疾病之间的隐含特征，来提高预测结果的准确性。
一种基于图卷积的心电图心率多类型预测模型构建方法，包括如下步骤：
(1)采集获取体表十二导联心电信号，将各导联的心电信号重采样至相同的信号长度；
(2)构建节点互信息池化U型图卷积网络，利用图卷积网络中的特征提取模块以提取心电信号的深度特征；
(3)将所述深度特征通过一层一维卷积得到需要构建的图特征矩阵，矩阵的行对应为所要预测的各种心律失常疾病类型，矩阵的列为各个类型对应的特征向量；进而将图特征矩阵转换为无向图结构G(
Figure BDA0003472906680000021
A,E,W,X)，其中v为无向图的点集合，集合中各个节点即对应各种心律失常疾病类型；E为无向图的边集合，其记录了节点之间的相似程度；W为权重矩阵，其为不同的边赋予不同的权重；X为节点特征矩阵，A为节点邻接矩阵；
(4)将转换得到的无向图输入到图卷积网络中的图编码模块中，该模块用于对无向图进行节点互信息量化计算，通过寻找选定最大互信息的节点子集，以缩减无向图中的节点数量实现下采样；
(5)将节点数量缩减后的无向图输入至图卷积网络中的图解码模块，该模块根据现有节点索引对无向图进行上采样恢复到原有的节点数量，生成新的图特征矩阵，并使其与下采样之前的图特征矩阵相加后输出；
(6)对输出的图特征矩阵进行求和、最大、最小以及平均操作，将四种操作后的结果拼接成一条特征向量并输入至全连接层中，最终映射得到每一类心律失常疾病的概率值；
(7)利用大量心电信号数据及其心律失常疾病类型标签通过交叉熵损失函数对图卷积网络进行训练，训练完成后便可得到心电图心率多类型预测模型。
进一步地，所述特征提取模块由一维卷积层、残差网络ResNet34以及平均池化层依次连接组成，ResNet34中的卷积层全部由一维卷积替换。
进一步地，所述图编码模块通过以下公式来选择最大互信息的节点子集；
Figure BDA0003472906680000031
Figure BDA0003472906680000032
Figure BDA0003472906680000033
Figure BDA0003472906680000034
其中：Ω表示节点子集，K为节点子集Ω中的节点数量，
Figure BDA00034729066800000313
为无向图的点集合，C(Ω)为节点子集Ω中邻居节点之间的互信息量化函数，v为节点子集Ω中的任一节点，xv表示节点v的特征向量，σ()为sigmoid激活函数，
Figure BDA0003472906680000035
表示节点v的所有邻居节点，
Figure BDA0003472906680000036
为节点v所有邻居节点特征向量所组成的特征矩阵，u为节点v的某一邻居节点，
Figure BDA0003472906680000037
表示节点u的所有邻居节点，
Figure BDA0003472906680000038
为节点u所有邻居节点特征向量所组成的特征矩阵，εw()为顶点嵌入函数，
Figure BDA0003472906680000039
为邻域嵌入函数，
Figure BDA00034729066800000310
为顶点-邻域亲和函数，其功能与εw()相同且聚合了εw(xv)的结果；εw()和
Figure BDA00034729066800000311
采用多层感知机实现，
Figure BDA00034729066800000312
采用R-hop图卷积实现。
进一步地，在对无向图进行上采样或下采样之后，均需将对应的图特征矩阵经过一层图卷积以更新图中所有节点的特征。
进一步地，所述步骤(7)对图卷积网络进行训练过程中采用Adam算法对网络中的参数进行迭代更新，直至交叉熵损失函数收敛。
进一步地，所述交叉熵损失函数的表达式如下：
L＝{l1,…,lN}T
ln＝-wn[yn·log xn+(1-yn)·log(1-xn)]
Figure BDA0003472906680000041
其中：L为交叉熵损失函数，ln对应为第n类心律失常疾病的损失函数值，N为心律失常疾病类型的数量，n为自然数且1≤n≤N，wn对应为第n类心律失常疾病的权重值，xn为当前心电信号输入图卷积网络对应输出关于第n类心律失常疾病的预测概率值，yn为当前心电信号对应第n类心律失常疾病的标签值(0或1)，Sum(lablen)为关于第n类心律失常疾病的训练数据标签数量。
进一步地，所述步骤(4)中节点互信息池化是图编码模块的核心，其中图池化部分涉及到节点选择和新的图结构生成，该部分计算节点与邻居节点之间的互信息得分，并返回前K个得分最高的节点索引。
进一步地，所述步骤(5)中上采样需要利用前面记录的节点索引，并产生新的图特征矩阵X′＝O∈{0}N×d，然后将需要上采样的图特征矩阵与同一层下采样的图特征矩阵相加，便得到上采样之后的图特征矩阵。
与其他机器学习或者深度学习方法不同的是，本发明中把时序电信号表示为图结构，然后利用图卷积的学习方式来更新特征；图卷积网络(GCN)扩展了图域信号处理理论，GCN生成的关系感知表示极大地增强了CNN特征的判别能力，并且模型的可解释性可以更好地帮助临床医生。GCN相比CNN卷积，其邻接矩阵综合利用更多的疾病与病人相关信息，分析病人的心电数据，能够更有效地可发现心脏节律异常，各种心律紊乱(如房性、室性早搏等)，能够实现有效的病人监测。此外，实际测量得到的ECG信号本身是存在各种干扰，一般包括基线漂移、肌电干扰和工频干扰；基线漂移的频率很低，其范围为0.05Hz至几Hz，主要分量在0.1Hz左右，而心电信号的P波、T波及ST段的频率也很低，其范围为0.5Hz至10Hz，两者的频谱非常接近，在消除噪声的同时，不可避免地对心电信号成分造成一定的损失。现有大多数方法都包含了对原始信号进行带通滤波去掉相关噪声，但是实际上对信号的真值却产生了很重要的影响，一定程度上造成了模型学习的不准确。为此，本发明中考虑是直接在原始ECG信号数据的基础上，避免了数据的损失，将时序电信号数据转换成图的形式利用图卷积进行计算，将心电图导联之间的相关性转变成预测的疾病类型之间的关系，以提高解的精度，降低计算复杂度。
本发明预测模型基于节点互信息池化图卷积网络，根据人体体表ECG原始信号，能够准确地预测心率失常类型；图结构的建立考虑了疾病之间的特征联系性，将原本通过深度学习CNN得到的各标签“模糊”特征，再在图域上进行相互的一个聚合，从而更能够通过相互影响得到一个更准确的各种心率特征，从而为最终提供决策。本发明在临床的诊断及治疗上具有重要的参考意义，可直接使用人体体表ECG信号进行一个心率失常诊断，一定程度上避免了带通滤波去噪等方法对数据的失真，提高了诊断的准确性。
附图说明
图1为本发明模型构建方法的流程示意图。
图2为节点互信息池化U型图卷积网络结构示意图。
图3为节点互信息下采样流程示意图。
图4为本发明与其他现有算法实验结果指标对比结果示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明基于图卷积的心电图心率多类型预测模型构建方法，包括如下步骤：
(1)采集病人体表十二导联电信号，将各个导联的电信号重采样到相同的信号长度，重采样之后的数据为12个相同长度的一维数据，便可直接输入到模型当中。
(2)由于训练数据会存在多种类型疾病标签，因此会有不同疾病所对应的病人数量不平衡。为此，计算训练数据各种心率类型标签的数量，然后修改最终需要的优化的交叉熵损失函数各项权重，以提高本发明方法对数量少的疾病类型的预测程度。
l(x，y)＝L＝{l1，...，lN}T，ln＝-wn[yn·log xn+(1-yn)·log(1-xn)]
Figure BDA0003472906680000061
其中：wn是各种心率标签对应的权重值，xn是网络预测的标签概率值，yn是标签值，取值为{0，1}。
(3)将数据输送到所构建图卷积网络中的特征提取模块，得到由模块提取的深度特征，图卷积网络结构如图2所示，特征提取模块的构成为一维卷积层与ResNet34残差连接主干与一个平均池化层，其中ResNet34中的卷积层全部由一维卷积替换。
(4)将深度特征经过一层一维卷积，得到需要构建的图特征矩阵H，图特征矩阵的行数近似代表即将预测的疾病总数，列数代表每个节点对应的特征向量，在此处近似地将节点向量当作每类疾病的“模糊特征”。
进而将图特征矩阵转换为无向图结构G(
Figure BDA0003472906680000067
A，E，W，X)，其中
Figure BDA0003472906680000068
为图G的顶点集
Figure BDA0003472906680000069
即所有心脏节点的集合；E为图G的边的集合，记录了各个节点间的相似程度；W为权重矩阵，为不同的边赋予不同的权重，
Figure BDA0003472906680000062
Figure BDA0003472906680000063
为节点特征矩阵。
(5)将转换生成的无向图输入到节点互信息池化U型图卷积网络的图编码模块当中，如图3所示，该模块当中互信息节点池化会对图数据进行节点互信息得分计算，通过寻找最大互信息节点子集来进行节点选择。
Figure BDA0003472906680000064
其中：C(Ω)表示节点与邻居节点互信息量化函数，K表示选择子集节点数，Ω为子集节集合。一般地，节点与周围邻居节点之间互信息值定义为联合概率分布与边缘概率分布之间的KL散度值，即：
Figure BDA0003472906680000065
其中：Pv，n表示为节点v与其周围节点集合之间的联合概率分布，
Figure BDA0003472906680000066
为节点v与周围节点集合的边缘概率。
根据KL散度与f散度的之间的关系，节点特征与其领域特征之间的互信息值估计可以表示为：
Figure BDA0003472906680000071
其中：σ()为sigmoid激活函数，
Figure BDA0003472906680000072
表示节点v的所有邻居节点，
Figure BDA0003472906680000073
为节点v所有邻居节点特征向量所组成的特征矩阵，u为节点v的某一邻居节点，函数Tw(·，·)代表神经网络，其由三个可训练函数构造：顶点嵌入函数εw(·)、邻域嵌入函数Pw(·)以及顶点-邻域亲和函数
Figure BDA00034729066800000711
具体如下：
Figure BDA0003472906680000074
其中，εw(·)与
Figure BDA00034729066800000712
分别由两个MLP代替，
Figure BDA0003472906680000075
由R-hop图卷积代替。
(6)将节点数量缩小之后的图又输入到图表征解码模块，其中上采样需要利用前面记录的节点索引，并产生新的图特征矩阵x′＝O∈{0}N×d，然后将需要上采样的图特征矩阵与同一层下采样的图特征矩阵相加，便得到上采样之后的图特征矩阵。
(7)图的下采样和上采样之间，图的特征矩阵都需要经过一层图卷积层更新图上所有节点的特征。其中图卷积计算表达式为：
Figure BDA0003472906680000076
Figure BDA0003472906680000077
其中：上标l表示为层数，b表示为偏置量，i，j表示为两个节点，
Figure BDA00034729066800000710
表示为节点i的邻居节点，cji表示为节点i，j度的平方根的乘积，W(l)表示第l层可学习参数，
Figure BDA0003472906680000078
表示节点j的特征向量。
(8)将得到的图特征矩阵进行图特征读出，即对图上所有的节点进行求和、最大、最小和平均，一同作为图的输出特征。
(9)得到图的输出特征之后，将特征输入到全连接层，将最后映射成需要输出的每一类疾病的概率值。
Figure BDA0003472906680000079
其中：O1，O2，…，On为全连接层的输出值，
Figure BDA0003472906680000081
为经过激活函数之后预测的介于0与1之间的标签概率值。
(10)整个模型前向计算用函数fA＝F(x，θ(i))表示，同时使用Adam算法在模型训练时更新整个模型的参数。
mt＝β1mt-1+(1-β1)gt
Figure BDA0003472906680000086
Figure BDA0003472906680000082
Figure BDA0003472906680000083
Figure BDA0003472906680000084
其中：mt和vt分别是梯度的第一矩(均值)和第二矩(有偏方差)的估计值，两者初始化为0向量，gt为某个时刻前向计算函数fA的梯度，
Figure BDA0003472906680000085
为Adam对梯度估计值的修正梯度，β1的默认值为0.9，β2是0.999，∈则是10-8。
为了验证本发明方法的有效性，我们在43100个病人心电数据上进行了训练与测试，其中随机划分70％的数据为训练集，30％数据为测试集，同时选取了几个主要心率异常分类模型进行比较；图4所示为本发明模型与其它分类模型结果的precision-recall曲线，可以看出，本发明方法比只使用1D-resnet34等其它模型预测结果更优，对疾病节点互信息下采样图卷积是有效的。由此可见，本发明模型能够在卷积神经网络的特征基础上，更深入学习到心电数据隐藏的特征，极大地提高了模型对多标签相关预测的表征能力，能够更能有效地判定疾病之间的关联性，能够准确地做出辅助诊断。
上述的对具体实施方式的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述具体实施方式做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (8)

1.一种基于图卷积的心电图心率多类型预测模型构建方法，包括如下步骤：
(1)采集获取体表十二导联心电信号，将各导联的心电信号重采样至相同的信号长度；
(2)构建节点互信息池化U型图卷积网络，利用图卷积网络中的特征提取模块以提取心电信号的深度特征；
(3)将所述深度特征通过一层一维卷积得到需要构建的图特征矩阵，矩阵的行对应为所要预测的各种心律失常疾病类型，矩阵的列为各个类型对应的特征向量；进而将图特征矩阵转换为无向图结构G(v，A，E，W，X)，其中v为无向图的点集合，集合中各个节点即对应各种心律失常疾病类型；E为无向图的边集合，其记录了节点之间的相似程度；W为权重矩阵，其为不同的边赋予不同的权重；X为节点特征矩阵，A为节点邻接矩阵；
(4)将转换得到的无向图输入到图卷积网络中的图编码模块中，该模块用于对无向图进行节点互信息量化计算，通过寻找选定最大互信息的节点子集，以缩减无向图中的节点数量实现下采样；
(5)将节点数量缩减后的无向图输入至图卷积网络中的图解码模块，该模块根据现有节点索引对无向图进行上采样恢复到原有的节点数量，生成新的图特征矩阵，并使其与下采样之前的图特征矩阵相加后输出；
(6)对输出的图特征矩阵进行求和、最大、最小以及平均操作，将四种操作后的结果拼接成一条特征向量并输入至全连接层中，最终映射得到每一类心律失常疾病的概率值；
(7)利用大量心电信号数据及其心律失常疾病类型标签通过交叉熵损失函数对图卷积网络进行训练，训练完成后便可得到心电图心率多类型预测模型。
2.根据权利要求1所述的心电图心率多类型预测模型构建方法，其特征在于：所述特征提取模块由一维卷积层、残差网络ResNet34以及平均池化层依次连接组成，ResNet34中的卷积层全部由一维卷积替换。
3.根据权利要求1所述的心电图心率多类型预测模型构建方法，其特征在于：所述图编码模块通过以下公式来选择最大互信息的节点子集；
Figure FDA0003472906670000021
Figure FDA0003472906670000022
Figure FDA0003472906670000023
Figure FDA0003472906670000024
其中：Ω表示节点子集，K为节点子集Ω中的节点数量，v为无向图的点集合，C(Ω)为节点子集Ω中邻居节点之间的互信息量化函数，v为节点子集Ω中的任一节点，xv表示节点v的特征向量，σ()为sigmoid激活函数，
Figure FDA0003472906670000025
表示节点v的所有邻居节点，
Figure FDA0003472906670000026
为节点v所有邻居节点特征向量所组成的特征矩阵，u为节点v的某一邻居节点，
Figure FDA0003472906670000027
表示节点u的所有邻居节点，
Figure FDA0003472906670000028
为节点u所有邻居节点特征向量所组成的特征矩阵，εw()为顶点嵌入函数，
Figure FDA0003472906670000029
为邻域嵌入函数，
Figure FDA00034729066700000210
为顶点-邻域亲和函数，其功能与εw()相同且聚合了εw(xv)的结果；εw()和
Figure FDA00034729066700000211
采用多层感知机实现，
Figure FDA00034729066700000212
采用R-hop图卷积实现。
4.根据权利要求1所述的心电图心率多类型预测模型构建方法，其特征在于：在对无向图进行上采样或下采样之后，均需将对应的图特征矩阵经过一层图卷积以更新图中所有节点的特征。
5.根据权利要求1所述的心电图心率多类型预测模型构建方法，其特征在于：所述步骤(7)对图卷积网络进行训练过程中采用Adam算法对网络中的参数进行迭代更新，直至交叉熵损失函数收敛。
6.根据权利要求1所述的心电图心率多类型预测模型构建方法，其特征在于：所述交叉熵损失函数的表达式如下：
Figure FDA00034729066700000214
ln＝-wn[yn·log xn+(1-yn)·log(1-xn)]
Figure FDA00034729066700000213
其中：L为交叉熵损失函数，ln对应为第n类心律失常疾病的损失函数值，N为心律失常疾病类型的数量，n为自然数且1≤n≤N，wn对应为第n类心律失常疾病的权重值，xn为当前心电信号输入图卷积网络对应输出关于第n类心律失常疾病的预测概率值，yn为当前心电信号对应第n类心律失常疾病的标签值，Sum(lablen)为关于第n类心律失常疾病的训练数据标签数量。
7.根据权利要求1所述的心电图心率多类型预测模型构建方法，其特征在于：所述步骤(4)中节点互信息池化是图编码模块的核心，其中图池化部分涉及到节点选择和新的图结构生成，该部分计算节点与邻居节点之间的互信息得分，并返回前K个得分最高的节点索引。
8.根据权利要求1所述的心电图心率多类型预测模型构建方法，其特征在于：所述步骤(5)中上采样需要利用前面记录的节点索引，并产生新的图特征矩阵X′＝O∈{0}N×d，然后将需要上采样的图特征矩阵与同一层下采样的图特征矩阵相加，便得到上采样之后的图特征矩阵。
CN202210083513.8A 2022-01-17 2022-01-17 一种基于图卷积的心电图心率多类型预测模型构建方法 Active CN114431873B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210083513.8A CN114431873B (zh) 2022-01-17 2022-01-17 一种基于图卷积的心电图心率多类型预测模型构建方法
US18/075,447 US20230225663A1 (en) 2022-01-17 2022-12-06 Method for predicting multi-type electrocardiogram heart rhythms based on graph convolution
JP2022196838A JP7487965B2 (ja) 2022-01-17 2022-12-09 グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210083513.8A CN114431873B (zh) 2022-01-17 2022-01-17 一种基于图卷积的心电图心率多类型预测模型构建方法

Publications (2)

Publication Number Publication Date
CN114431873A true CN114431873A (zh) 2022-05-06
CN114431873B CN114431873B (zh) 2024-05-07

Family

ID=81370280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210083513.8A Active CN114431873B (zh) 2022-01-17 2022-01-17 一种基于图卷积的心电图心率多类型预测模型构建方法

Country Status (3)

Country Link
US (1) US20230225663A1 (zh)
JP (1) JP7487965B2 (zh)
CN (1) CN114431873B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707773A (zh) * 2022-06-06 2022-07-05 广东省农业科学院植物保护研究所 基于深度学习的虫害防治方案生成方法、系统及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117481606B (zh) * 2023-11-13 2024-05-14 齐鲁工业大学(山东省科学院) 一种基于改进孪生网络的小样本心电信号分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060247544A1 (en) * 2005-02-03 2006-11-02 Maleeha Qazi Characterization of cardiac motion with spatial relationship
US20190325344A1 (en) * 2018-04-20 2019-10-24 Sas Institute Inc. Machine learning predictive labeling system
CN112633195A (zh) * 2020-12-28 2021-04-09 杭州电子科技大学 一种基于频域特征与深度学习的心肌梗塞识别分类方法
CN113449802A (zh) * 2021-07-09 2021-09-28 中国人民解放军国防科技大学 基于多粒度互信息最大化的图分类方法及装置
CN113470812A (zh) * 2021-06-18 2021-10-01 浙江大学 基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020087127A (ja) 2018-11-28 2020-06-04 国立研究開発法人産業技術総合研究所 グラフ構造を有するデータのエンコードに関するプログラム、情報処理方法及び情報処理システム
US11790213B2 (en) 2019-06-12 2023-10-17 Sri International Identifying complex events from hierarchical representation of data set features
CN112906748A (zh) 2021-01-25 2021-06-04 浙江大学 基于残差网络的12导联ecg心律失常检测分类模型构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060247544A1 (en) * 2005-02-03 2006-11-02 Maleeha Qazi Characterization of cardiac motion with spatial relationship
US20190325344A1 (en) * 2018-04-20 2019-10-24 Sas Institute Inc. Machine learning predictive labeling system
CN112633195A (zh) * 2020-12-28 2021-04-09 杭州电子科技大学 一种基于频域特征与深度学习的心肌梗塞识别分类方法
CN113470812A (zh) * 2021-06-18 2021-10-01 浙江大学 基于图卷积神经网络和迭代阈值收缩算法的心脏跨膜电位重建方法
CN113449802A (zh) * 2021-07-09 2021-09-28 中国人民解放军国防科技大学 基于多粒度互信息最大化的图分类方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FUYING H等: "《An ECG Signal Prediction Method Based on ARIMA Model and DWT》", 2019 IEEE 4TH ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC), 12 March 2020 (2020-03-12), pages 1298 - 304 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707773A (zh) * 2022-06-06 2022-07-05 广东省农业科学院植物保护研究所 基于深度学习的虫害防治方案生成方法、系统及存储介质

Also Published As

Publication number Publication date
JP2023104885A (ja) 2023-07-28
US20230225663A1 (en) 2023-07-20
JP7487965B2 (ja) 2024-05-21
CN114431873B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN106725428B (zh) 一种心电信号分类方法及装置
CN111449645B (zh) 心电图心拍智能分类识别方法
Hao et al. Multi-branch fusion network for Myocardial infarction screening from 12-lead ECG images
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN106725426A (zh) 一种心电信号分类的方法及系统
CN110522444B (zh) 一种基于Kernel-CNN的心电信号识别分类方法
CN114431873A (zh) 一种基于图卷积的心电图心率多类型预测模型构建方法
Zeng et al. Classification of myocardial infarction based on hybrid feature extraction and artificial intelligence tools by adopting tunable-Q wavelet transform (TQWT), variational mode decomposition (VMD) and neural networks
Lokesh et al. CNN based deep learning methods for precise analysis of cardiac arrhythmias
Bergquist et al. Body surface potential mapping: contemporary applications and future perspectives
CN112244861B (zh) 一种单导联心电信号f波提取方法
CN115337018B (zh) 基于整体动态特征的心电信号分类方法及系统
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
CN115530788A (zh) 基于自注意力机制的心律失常分类方法
CN115944302A (zh) 基于注意力机制的无监督多模态心电图异常检测方法
CN113116300A (zh) 一种基于模型融合的生理信号分类方法
Ajitkumar Singh et al. Heart abnormality classification using PCG and ECG recordings
Al-Huseiny et al. Diagnosis of arrhythmia based on ECG analysis using CNN
Allam et al. A deformable CNN architecture for predicting clinical acceptability of ECG signal
Fan et al. Le-lwtnet: A learnable lifting wavelet convolutional neural network for heart sound abnormality detection
Shi et al. Automated heartbeat classification based on convolutional neural network with multiple kernel sizes
CN115363594A (zh) 一种基于循环神经网络的实时心脏疾病筛查方法
CN115281676A (zh) 基于gru神经网络和ecg信号的疲劳检测方法
CN114569116A (zh) 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统
CN112842355A (zh) 基于深度学习目标检测的心电信号心搏检测识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant