CN114652319A - 一种基于图神经网络的心律失常检测方法 - Google Patents

Abstract

本发明公开了一种基于图神经网络的心律失常检测方法，包括下述步骤：对多导联心律数据进行提取，关注多导联不同级别心跳，构建异构图的节点；建立三种类型的关系，构建成异构图的边；针对不同类型节点，使用异构图卷积利用不同类型信息各自的变换矩阵将它们投影到一个隐式空间中，从而建立不同节点的计算；引入双层注意力机制，捕捉和学习异构图中的相邻节点之间节点级和类型级的重要性；对异构图神经网络进行训练，获取每个节点的最终表示，将多导联心跳节点的嵌入表示通过模型交叉训练，实现多导联数据的心律失常检测。本发明能够实现半监督自适应的决策，解决异构数据计算问题，有效地检测心律心跳数据中的异常。

Description

一种基于图神经网络的心律失常检测方法

技术领域

本发明涉及多源时序数据分析和图神经网络领域，特别涉及一种基于图神经网络的心律失常检测方法。

背景技术

随着社会不断进步和生活压力的不断上升,心脏疾病已经成为威胁人类健康的重要因素。心电信号(ECG)表征了人体心脏的电信号活动,可以通过心电图直观展现出来，在数据集中表示成连续的一段记录。在心脏疾病发病前,心电信号中一般会出现相应的心律失常现象,因此,对心电信号进行识别分类研究,对心脏病的诊断和治疗具有重要的意义。由此许多专家和学者对心电信号的识别分类进行了大量研究。心电信号的识别分类通常包括心电信号采集、心电信号预处理、提取心电特征、设计识别分类器等步骤。通过对心电信号的观察和记录，进行进一步的分析，检测人体心律是否异常，从而能够对人体重要器官心脏部位进行安全风险的预警。

心电信号常含干扰噪声，噪声的存在会影响后期心电信号特征点R波峰的准确检测，并影响对心电信号识别分类率，还具有高维性、不确定性、非线性等特点，不同导联下的心电信号还具有一定的延迟性。这使得传统的方法不能很好地适应多导联环境下的的心律失常检测。另一方面，针对多导联心律失常检测只考虑单个导联或者简单的特征结合会降低对多导联心律信息的利用。不同导联都是对心律不同视角的描述，对心律总体评估有不同的决定性作用。每个导联信息属于非线性关系，并且具有各自不同的特性，对心律有不同的重要度影响。如果不考虑心跳的相关性以及对不同导联的重要度，简单的特征结合必然会影响检测的效果。

综上，基于图神经网络辅助检测心律失常，能够实现导联之间相关性和互补性不同侧面信息的有效利用，减少预处理的繁琐，并提高准确性。为心律失常诊断提出了一种新的解决思路，具有重要的理论意义和应用价值。

发明内容

本发明的目的在于克服现有技术中的缺点与不足，提供一种基于图神经网络的心律失常检测方法，能够有效检测多导联心律失常。

为实现以上目的，本发明采取如下技术方案：

一种基于图神经网络的心律失常检测方法，包括以下步骤：

S1、提取多导联心律数据，关注多导联不同级别心跳，建立多导联心跳、单导联心跳和单导联序列，构建成异构图的节点；

S2、建立单导联序列与多导联心跳之间的联系，多导联心跳与单导联心跳之间的联系，以及同一导联内单导联心跳之间的联系，构成异构图的边；

S3、针对不同类型节点，使用异构图卷积利用不同类型信息各自的变换矩阵将它们投影到一个隐式空间中，从而建立不同节点的计算；

S4、引入双层注意力机制，捕捉和学习异构图中的相邻节点之间节点级和类型级的重要性；

S5、对异构图神经网络进行训练，获取每个节点的最终表示，将多导联心跳节点的嵌入表示通过模型交叉训练，实现多导联数据的心律失常检测。

进一步地，步骤S1的具体过程为：

S11、读取多导联心律数据，所述数据包括读取心跳标注文件和多导联心律数据文件；

S12、构造图G＝(V,E)，构建节点集V，根据心跳标注点位序，读取多导联心律数据在不同导联下心跳标注点前后一定范围内的值，生成单导联心跳节点B{b₁,…,b_m}；计算每个心跳在不同导联下的平均值形成多导联心跳节点T{t₁,…,t_n}；

S13、划分数据集为训练集，验证集和测试集；取训练集正常类型下的每个单导联心跳节点，对相同导联中的单导联心跳进行平均，得到12个单导联序列节点S{s₁,…,s_k}；即V＝B∪T∪S。

进一步地，步骤S2的具体过程为：

S21、构建边集E，关注多导联心跳与单导联关系，对每一个多导联心跳节点T与每个单导联序列节点S进行建边e1；

S22、关注多导联心跳与单导联心跳关系，对多导联心跳节点T与其组成该多导联心跳节点的每个单导联心跳节点B进行建边e2；

S23、关注同一导联内单导联心跳之间的联系，对同一导联内单导联心跳B之间进行建边e3；即E＝e1∪e2∪e3。

进一步地，步骤S3的具体过程为：

S31、建立异构图卷积网络，网络考虑不同类型信息的差异，所述不同类型信息的差异包括考虑多导联心跳与单导联心跳关系，考虑单导联与多导联心跳之间的关系，考虑同一导联内单导联心跳之间的关系；

S32、用不同类型信息各自的变换矩阵W考虑不同特征空间的差异，并将其投影到隐式公共空间中；

其中

是A的子矩阵，它的行表示所有节点，列表示类型τ的邻居节点；节点的表示H^(l+1)通过用各个类型τ的变换矩阵

对不同类型τ相邻节点

的特征信息进行聚合得到；变换矩阵W_τ ^(l)考虑不同特征空间的差异，并将其投影到隐式公共空间

中；在初始时，

进一步地，步骤S4的具体过程为：

S41、建立类型级注意力；给定一个特定的节点v，类型级注意力学习不同类别邻居的权重；其中，首先将类型τ的嵌入形式定义为

表示所有邻居节点h_v′特征的和，其中节点

并在类型τ中；然后根据当前节点嵌入特征和类型嵌入特征计算类型级注意力得分，计算方式如下：

其中μ_τ表示类型τ的注意力向量，||表示连接，σ(·)表示激活函数如Leaky ReLU；然后，通过使用softmax函数对所有类型的注意得分进行规范化，获得类型级别的注意权重:

S42、建立节点级注意力；给一个类型τ的特定节点v，和其类型为τ'的邻居

利用嵌入表示h_v和h_v′以及类型级注意力得分a_τ′,计算节点级注意力得分:

b_vv′＝σ(v^T·a_τ′[h_v||h_v′])

其中v是注意力向量，然后使用softmax函数将节点级的注意力得分标准化：

最后，将包括类型级和节点级注意的双层注意机制改进方程引入到异构图卷积中，其中每层之间的传播如下:

其中

是注意力矩阵。

进一步地，步骤S5的具体过程为：

S51、将所述步骤S5中图神经网络传播计算得到多导联心跳节点嵌入向量导出到最后softmax层，如下：

Z＝softmax(H^(L))

S52、通过交叉熵训练，并设置L2正则化避免过拟合，如下：

其中C为类别数量，D_train为多导联心跳节点的标识符，Y为对应的标签指标矩阵，为模型参数，为正则化因子；

S53、在模型优化方面，采用梯度下降算法优化参数。

本发明相对于现有技术具有如下的优点和效果：

1、本发明的方法将多导联心律序列分成多导联心跳、单导联心跳和单导联序列，把握了心率特征中的全局特征和局部特征。解决了导联与心跳之间的异构性的问题，并提高了多导联心跳心律失常检测的准确性。

2、本发明的方法以每个离散点组成的数据流，对数据流不需要降噪处理，直接进行心律失常分类检测，有效地减少了花费在降低心律噪音数据的处理上，使得模型具有鲁棒性和实用性，并提高了心律检测的时间效率。

3、本发明的方法关注单导联与多导联心跳关系、多导联心跳与单导联心跳关系和同一导联内单导联心跳之间的关系。解决各导联之间对多导联心跳重要性不同的问题，以及每个单导联心跳对多导联心跳正确分类不同贡献度的问题。

4、本发明的方法基于图，度量不同节点之间的重要度，包括同一类型和不同类型级别的节点。对异构多个节点进行投影变换，能够判定不同节点对心律失常分类检测任务的重要程度，解决了多维度节点的信息交互，提高了心律失常分类检测的准确率。

5、本发明的方法在图计算思想的指导下，将心律失常分类检测问题转化为多类型节点计算问题，能够有效地分类多导联心跳，并能够扩展到其他多数据流或多模态领域，具有很好的移植性，鲁棒性，有效性和实用性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于图神经网络的心律失常检测方法的流程图；

图2为本发明构建的图结构。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

实施例

如图1所示，一种基于图神经网络的心律失常分类检测方法，包括下述步骤：

S1、对多导联心律数据进行提取，关注多导联不同级别心跳，建立多导联心跳、单导联心跳和单导联序列，构建成异构图的节点；具体包括以下步骤：

S11、读取多导联心律数据，包括读取心跳标注文件和多导联心律数据文件。

S12、构造图G＝(V,E)，构建节点集V，根据心跳标注点位序，读取多导联心律数据在不同导联下心跳标注点前后一定范围内的值，生成单导联心跳节点B{b₁,…,b_m}。计算每个心跳在不同导联下的平均值形成多导联心跳节点T{t₁,…,t_n}；

S13、划分数据集为训练集，验证集和测试集。取训练集正常类型下的每个单导联心跳节点，对相同导联中的单导联心跳进行平均，得到12个单导联序列节点S{s₁,…,s_k}。即V＝B∪T∪S。

S2、建立三种类型的关系，即单导联序列与多导联心跳之间的联系，多导联心跳与单导联心跳之间的联系，以及同一导联内单导联心跳之间的联系，构成异构图的边；具体包括以下步骤：

S21、构建边集E，关注多导联心跳与单导联关系，对每一个多导联心跳节点T与每个单导联序列节点S进行建边e1；

S22、关注多导联心跳与单导联心跳关系，对多导联心跳节点T与其组成该多导联心跳节点的每个单导联心跳节点B进行建边e2；

S23、关注同一导联内单导联心跳之间的联系，对同一导联内单导联心跳B之间进行建边e3。即E＝e1∪e2∪e3。，由此构建的图如图2所示。

S3、针对不同类型节点，使用异构图卷积利用不同类型信息各自的变换矩阵将它们投影到一个隐式空间中，从而建立不同节点的计算；具体包括以下步骤：S31、建立异构图卷积网络，网络考虑不同类型信息的差异，包括考虑多导联心跳与单导联心跳关系，考虑单导联与多导联心跳之间的关系，考虑同一导联内单导联心跳之间的关系。

S32、用不同类型信息各自的变换矩阵W考虑不同特征空间的差异，并将其投影到隐式公共空间中。

其中

是A的子矩阵，它的行表示所有节点，列表示类型τ的邻居节点。节点的表示H^(l+1)通过用各个类型τ的变换矩阵

对不同类型τ相邻节点

的特征信息进行聚合得到。变换矩阵W_τ ^(l)考虑不同特征空间的差异，并将其投影到隐式公共空间

中。在初始时，

S4、引入双层注意力机制，捕捉和学习异构图中的相邻节点之间节点级和类型级的重要性；具体包括以下步骤：

S41、建立类型级注意力。给定一个特定的节点v，类型级注意力学习不同类别邻居的权重。其中，我们首先将类型τ的嵌入形式定义为

表示所有邻居节点h_v′特征的和，其中节点

并在类型τ中。然后我们根据当前节点嵌入特征和类型嵌入特征计算类型级注意力得分。计算方式如下：

其中μ_τ表示类型τ的注意力向量，||表示连接，σ(·)表示激活函数如Leaky ReLU。然后，我们通过使用softmax函数对所有类型的注意得分进行规范化，获得类型级别的注意权重:

S42、建立节点级注意力。我们设计了节点级的注意力以捕捉不同相邻节点的重要性，并降低噪声节点的权重。进一步表述，给一个类型τ的特定节点v，

和其类型为τ'的邻居

利用嵌入表示h_v和h_v′以及类型级注意力得分a_τ′,计算节点级注意力得分:

b_vv′＝σ(v^T·a_τ′[h_v||h_v′]) (4)

其中v是注意力向量。然后我们使用softmax函数将节点级的注意力得分标准化：

最后，我们将包括类型级和节点级注意的双层注意机制改进方程引入到异构图卷积中。其中每层之间的传播如下:

其中

是注意力矩阵，矩阵元素由公式(5)得到。

S5、对异构图神经网络进行训练，获取每个节点的最终表示，将多导联心跳节点的嵌入表示通过模型交叉训练，实现多导联数据的心律失常检测。具体包括以下步骤：

S51、将所述步骤S5中图神经网络传播计算得到多导联心跳节点嵌入向量导出到最后softmax层，如下：

Z＝softmax(H^(L)) (7)

S52、通过交叉熵训练，并设置L2正则化避免过拟合，如下：

其中C为类别数量，D_train为多导联心跳节点的标识符，Y为对应的标签指标矩阵，θ为模型参数，η为正则化因子。

S53、在模型优化方面，我们采用梯度下降算法优化参数。

上述方法可以有效地检测多导联心律数据异常，具有很好的移植性，鲁棒性，有效性和实用性。

以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以权利要求所述为准。

Claims (6)

1.一种基于图神经网络的心律失常检测方法，其特征在于，包括以下步骤：

S1、提取多导联心律数据，关注多导联不同级别心跳，建立多导联心跳、单导联心跳和单导联序列，构建成异构图的节点；

S2、建立单导联序列与多导联心跳之间的联系，多导联心跳与单导联心跳之间的联系，以及同一导联内单导联心跳之间的联系，构成异构图的边；

S3、针对不同类型节点，使用异构图卷积利用不同类型信息各自的变换矩阵将它们投影到一个隐式空间中，从而建立不同节点的计算；

S4、引入双层注意力机制，捕捉和学习异构图中的相邻节点之间节点级和类型级的重要性；

S5、对异构图神经网络进行训练，获取每个节点的最终表示，将多导联心跳节点的嵌入表示通过模型交叉训练，实现多导联数据的心律失常检测。

2.根据权利要求1所述的基于图神经网络的心律失常检测方法，其特征在于，步骤S1的具体过程为：

S11、读取多导联心律数据，所述数据包括读取心跳标注文件和多导联心律数据文件；

S12、构造图G＝(V,E)，构建节点集V，根据心跳标注点位序，读取多导联心律数据在不同导联下心跳标注点前后一定范围内的值，生成单导联心跳节点B{b₁,…,b_m}；计算每个心跳在不同导联下的平均值形成多导联心跳节点T{t₁,…,t_n}；

S13、划分数据集为训练集，验证集和测试集；取训练集正常类型下的每个单导联心跳节点，对相同导联中的单导联心跳进行平均，得到12个单导联序列节点S{s₁,…,s_k}；即V＝B∪T∪S。

3.根据权利要求2所述的基于图神经网络的心律失常检测方法，其特征在于，步骤S2的具体过程为：

S21、构建边集E，关注多导联心跳与单导联关系，对每一个多导联心跳节点T与每个单导联序列节点S进行建边e1；

S22、关注多导联心跳与单导联心跳关系，对多导联心跳节点T与其组成该多导联心跳节点的每个单导联心跳节点B进行建边e2；

S23、关注同一导联内单导联心跳之间的联系，对同一导联内单导联心跳B之间进行建边e3；即E＝e1∪e2∪e3。

4.根据权利要求1所述的基于图神经网络的心律失常检测方法，其特征在于，步骤S3的具体过程为：

S31、建立异构图卷积网络，网络考虑不同类型信息的差异，所述不同类型信息的差异包括考虑多导联心跳与单导联心跳关系，考虑单导联与多导联心跳之间的关系，考虑同一导联内单导联心跳之间的关系；

S32、用不同类型信息各自的变换矩阵W考虑不同特征空间的差异，并将其投影到隐式公共空间中；

其中

是A的子矩阵，它的行表示所有节点，列表示类型τ的邻居节点；节点的表示H^(l+1)通过用各个类型τ的变换矩阵

对不同类型τ相邻节点

的特征信息进行聚合得到；变换矩阵W_τ ^(l)考虑不同特征空间的差异，并将其投影到隐式公共空间

中；在初始时，

5.根据权利要求4所述的基于图神经网络的心律失常检测方法，其特征在于，步骤S4的具体过程为：

S41、建立类型级注意力；给定一个特定的节点v，类型级注意力学习不同类别邻居的权重；其中，首先将类型τ的嵌入形式定义为

表示所有邻居节点h_v′特征的和，其中节点

并在类型τ中；然后根据当前节点嵌入特征和类型嵌入特征计算类型级注意力得分，计算方式如下：

其中μ_τ表示类型τ的注意力向量，||表示连接，σ(·)表示激活函数如Leaky ReLU；然后，通过使用softmax函数对所有类型的注意得分进行规范化，获得类型级别的注意权重:

S42、建立节点级注意力；给一个类型τ的特定节点v，和其类型为τ'的邻居

利用嵌入表示h_v和h_v′以及类型级注意力得分α_τ′,计算节点级注意力得分:

b_vv′＝σ(v^T·a_τ′[h_v||h_v′])

其中v是注意力向量，然后使用softmax函数将节点级的注意力得分标准化：

最后，将包括类型级和节点级注意的双层注意机制改进方程引入到异构图卷积中，其中每层之间的传播如下:

其中

是注意力矩阵。

6.根据权利要求5所述的基于图神经网络的心律失常检测方法，其特征在于，步骤S5的具体过程为：

S51、将所述步骤S5中图神经网络传播计算得到多导联心跳节点嵌入向量导出到最后softmax层，如下：

Z＝softmax(H^(L))

S52、通过交叉熵训练，并设置L2正则化避免过拟合，如下：

其中C为类别数量，D_train为多导联心跳节点的标识符，Y为对应的标签指标矩阵，为模型参数，为正则化因子；

S53、在模型优化方面，采用梯度下降算法优化参数。

Images