JP7487965B2 - 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 - Google Patents

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 Download PDF

Info

Publication number
JP7487965B2
JP7487965B2 JP2022196838A JP2022196838A JP7487965B2 JP 7487965 B2 JP7487965 B2 JP 7487965B2 JP 2022196838 A JP2022196838 A JP 2022196838A JP 2022196838 A JP2022196838 A JP 2022196838A JP 7487965 B2 JP7487965 B2 JP 7487965B2
Authority
JP
Japan
Prior art keywords
graph
node
heart rate
nodes
feature matrix
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.)
Active
Application number
JP2022196838A
Other languages
English (en)
Other versions
JP2023104885A (ja
Inventor
劉華鋒
彭建輝
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
Publication of JP2023104885A publication Critical patent/JP2023104885A/ja
Application granted granted Critical
Publication of JP7487965B2 publication Critical patent/JP7487965B2/ja
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]
    • 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
    • A61B5/24—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
    • A61B5/72—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)

Description

本発明は心臓電気生理学的疾患の予測技術分野に属し、具体的に、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に関わる。
心血管疾患は一連の心臓または血管関連疾患の総称であり、ずっと以来人の命を脅かす主要な病気の一つであり、それによる死亡率が依然として第一位にある。ECG(心電図信号)は人間が最も早期に研究され、医学臨床に応用される生物信号の一つであり、心電図は人体心臓の健康状況を反映し、臨床で心血管系疾患を診断するための重要な依拠である。心電図数量の快速的な成長に伴って、コンピュータ支援心電図分析に対する需要はもっと緊迫的になり，心電図自動分類はコンピュータ支援心電図分析を達成するための不可欠の技術手段として医学上の重要な価値がある。今、マシンラーニングとAI支援診断は迅速的な発展を取得している。
従来の心電図心拍数のマルチタイプの予測構築法は大体に2タイプに分けられる。その1タイプは心電図の形態上の特徴(ビート間の間隔、振幅及び面積など)に基づいて特徴選択を行って診断決定のレベルを向上させるものであり、実施して煩雑である上、ECG信号データに対する更に深い特徴的能力が乏しい。他の1タイプの心拍数マルチタイプの予測は心電図に対する複雑な心拍のセグメンテーションを行い、畳み込みニューラルネットワークにより自動的特徴抽出と決定を行う。現在、このタイプ関係の研究は多く行われていて、主にCNNまたはLSTM関係のモデルアルゴリズムで行われるが、こんな研究データの前処理の過程が非常に複雑であり、方法にエンドツーエンドのリアルタイム実施の特性がなく、操作が複雑である。それと同時に、これらの方法は今までの研究に予測される心拍数タイプの数量が大体に2種または数種だけであり、予測タイプの数量があまり多くなく、実際な使用上の意義が大きくない。例えば、文献[李潤川、張行進、陳剛、姚金良,於▲じえ▼、王宗敏：多特徴融合に基づく心拍タイプ識別に関する研究[J].鄭州大学学報(工学版),2021,42(04):7-12.DOI:10.13705/j.issn.1671-6833.2021.04.011]で原始心電グラフデータに対するノイズ除去及び心拍ピーク値位置確定を行ってから前処理後に取得した心拍形態上の特徴を算出し、そしてKNNアルゴリズムにより異常タイプの五分類予測を行う。この方法は前期の前処理過程が複雑であり、KNNアルゴリズムにより高い効率で各心拍数タイプを区分できない同時に、関わる心拍数タイプが少なく、使用上の意義があまり大きくない。文献[朱俊江、楊▲るー▼▲るー▼、厳天宏、孫▲しあお▼、卓威：2重畳み込みニューラルネットワークに基づく心電図タイプの認識方法及び装置[P].上海市：CN110236520A,2019-09-17]は畳み込みニューラルネットワークによりマルチリードの心電グラフデータ分類から自動的に深さ上の特徴を抽出してからこの特徴に対する最終的二分類予測を行う。この方法は自動深さ上の特徴を利用するが、特徴表現があまり深くなく，最終予測心拍数異常タイプが二分類であり、更に複雑なデータで更に多く、更に複雑な予測を行うことができない。
そして、エンドツーエンドでき、複雑なデータ前処理過程が不要であり、見事に自動的に心電図原始データを表現できる方法を提出することは極めて重要な現実的な意義がある。
上記を踏まえて、本発明は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を提供し、12リード電気信号を無向グラフに替え、無向グラフでノード間の関係を利用し、ノード相互情報プーリングU形グラフネットワークにより疾患間の隠された特徴をラーニングして予測結果の正確性を向上させる。
下記のステップを含む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。
（1）体表12誘導心電図信号を採集、取得し、各リードの心電図信号を同じ信号長さまでにサンプリングする。
（2）ノード相互情報プーリングU形グラフ畳み込みネットワークを構築し、グラフ畳み込みネットワークにおける特徴によりモジュールを抽出して心電図信号の深さ上の特徴を抽出するようにする。
（3）前記の深さ上の特徴に対する1層1次元畳み込みにより構築するグラフの特徴マトリックスを取得し、マトリックスの行に対応するのが予測する各種の不整脈の病型、マトリックスの列が各病型に対応する特徴ベクトルである。そして、グラフの特徴マトリックスを無向グラフ構造
Figure 0007487965000001
に替える。その中、
Figure 0007487965000002
は無向グラフの点集合であり、集合で各ノードが各種の不整脈の病型に対応し、Eは無向グラフの辺の集合であり、ノード間の類似程度を記録していて、Wは重みマトリックスであり、辺に応じる重みに属し、Xはノード特徴マトリックス、Aはノード隣接マトリックスである。
（4）転換による無向グラフをグラフ畳み込みネットワークにおけるグラフ・エンコーディングモジュールに入力する。このモジュールは無向グラフ進行ノード相互情報の定量計算のためのものであり、最大の相互情報のノードのサブセットを探し、選定して無向グラフにおけるノード数量を少なくし、ダウンサンプリングを達成するようにする。
（5）ノード数量が少なくされた無向グラフをグラフ畳み込みネットワークにおける画像復号化モジュールに入力する。このモジュールは既存のノード・インデックスにより無向グラフに対するアップサンプリングを行って元のノード数量に恢復し、新規グラフの特徴マトリックスを生成し、ダウンサンプリング前のグラフの特徴マトリックスと加算させてから出力する。
（6）出力されたグラフの特徴マトリックスに対する合計、最大、最小及び平均の操作を行い、4種の操作後の結果を特徴ベクトルにスプライシングし、全結合層に入力し、最終にマッピングにより種別の不整脈疾患の確率値を取得する。
（7）大量の心電図信号データ及び不整脈の病型ラベルを利用し、交差エントロピー損失関数によりグラフ畳み込みネットワークを訓練し、訓練を完成してから心電図心拍数のマルチタイプを取得できる。
より一歩に、前記の特徴抽出モジュールは1次元畳み込み層、残差ネットワークResNet34及び平均プーリング層から相次ぎに結合して構成し、ResNet34における畳み込み層の全部が1次元畳み込みに替えられる。
より一歩に、前記のグラフ・エンコーディングモジュールが下式により最大の相互情報のノードのサブセットを選択する。
Figure 0007487965000003
その中、
Figure 0007487965000004
Figure 0007487965000005
は多層パーセプトロン、
Figure 0007487965000006
はR-hopグラフ畳み込みにより達成する。
より一歩に、無向グラフに対するアップサンプリングまたはダウンサンプリングを行ってから対応するグラフの特徴マトリックスに対する1層のグラフ畳み込みを行ってグラフにおけるすべてのノードの特徴を更新するようにしなければいけない。
より一歩に、前記のステップ（7）で交差エントロピー損失関数が収束するまでネットワークにおけるパラメータに対する反復更新を行う。
より一歩に、前記の交差エントロピー損失関数が下式で表現される。
Figure 0007487965000007
その中、
Figure 0007487965000008
より一歩に、前記のステップ（4）でノード相互情報プーリングがグラフ・エンコーディングモジュールの中心である。その中、グラフプーリング部がノード選択及び新規グラフ構成の生成に関わり、この部がノードと隣接ノードとの間の相互情報得点を計算し、前のK個で得点が最も高いノード・インデックスに戻る。
より一歩に、前記のステップ（5）でアップサンプリングの場合に前に記録したノード・インデックスを利用し、新規グラフの特徴マトリックス
Figure 0007487965000009
が生じるようにし、そしてアップサンプリングされるグラフの特徴マトリックスと同一の層のダウンサンプリングされるグラフの特徴マトリックスとの加算を行ってアップサンプリングされたグラフの特徴マトリックスを取得する。
他のマシンラーニングまたは深さラーニング方法との違いとして、本発明では、タイミング電気信号をグラフ構成に表示し、そしてグラフ畳み込みのラーニング方法により特徴を更新し、グラフ畳み込みネットワーク(GCN)がグラフ領域信号処理理論を拡張し、GCNが生成する関係感知表示が極めて大きくCNN特徴の識別能力を強化し、且つモデルの解釈可能性が更に良く臨床医師を支援できる。CNN畳み込みと比べて、GCNは隣接マトリックスが包括的に更に多くの疾患及び患者関係の情報により患者の心電データを分析し、更に有効に心拍数の異常及び各種の不整脈(心房性、心室期外収縮など)を発見できるので、患者に対する有効なモーニングを達成できる。また、実際な測定によるECG信号は自身に各種の干渉（一般的にベースラインドリフト、EMG干渉及び電源周波数干渉を含む）があり、ベースラインドリフトの周波数がとても低く、その範囲が0.05～数Hz、主成分が0.1Hz程度にあるが、心電図信号のP波、T波及びST段の周波数もとても低く、その範囲が0.5～10Hzにあり、両者のスペクトルが非常に近く、ノイズを除去する同時に、心電図信号成分に決まった損失を引き起こすのが避けられない。従来の大多数の方法は原始信号に対するバンドパス フィルタリングを行って関係のノイズを除去するのを含むが、実際のところ、信号の真理値に対してとても重要な影響が生じ、決まった程度で不正確なモデルランニングにつながる。よって、本発明では、直接に原始ECG信号データに基づくことを考えに入れ、データの損失を避け、タイミング電気信号データをグラフに替えてグラフ畳み込みにより計算を行い、心電図誘導間の関係を予測される疾患タイプ間の関係に替え、解の精度を向上させ、計算を簡単にするようにする。
本発明による予測モデルはノード相互情報プーリンググラフ畳み込みネットワークに基づき、体表のECG原始信号により正確に不整脈のタイプを予測でき、グラフ構成の構築で疾患間の特徴上の関係を考えに入れ、元々CNNによる各ラベルの「ファジー」特徴に対するディープラーニングを行い、グラフドメインで相互の重合を行って更に相互影響により更に正確な各種の心拍数特徴を取得でき、そして最終に決定を提供する。本発明は臨床診断及び治療に重要な参考意義があり、直接に体表ECG信号により不整脈診断を行う事ができ、決まった程度でバンドパス フィルタリングノイズ除去などの方法によるデータの歪みを避けていて、診断の正確性を向上させている。
本発明の予測方法のプロセスのイメージ ノード相互情報プーリングU形グラフ畳み込みネットワーク構成のイメージ ノード相互情報ダウンサンプリングプロセスのイメージ 本発明と他の従来のアルゴリズムの実験結果指標との比較結果のイメージ
更に詳細に本発明について説明するために、次に図及び実例と合わせて本発明の技術策について更に詳細に説明する。
図1のとおりに、本発明では、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は下記のステップを含む。
（1）患者体表の12リード電気信号を採集し、各リードの電気信号を同じ信号長さにリサンプリングし、リサンプリング後のデータが同じ長さの1次元データの12個であると、直接にモデルに入力できる。
（2）訓練データに多種のタイプの疾患ラベルがあるので、疾患に応じる患者数量のアンバランスがある。よって、訓練データ各種の心拍数タイプラベルの数量を計算してから最終に必要な、最適化された交差エントロピー損失関数の各重みを直して数量が少ない疾患タイプに対する本発明による方法による予測程度を向上させる。
Figure 0007487965000010
その中、
Figure 0007487965000011
（3）データを構築するグラフ畳み込みネットワークにおける特徴抽出モジュールに通信してモジュールに抽出される深さ上の特徴を取得する。グラフ畳み込みネットワーク構成は図2のとおりである。特徴抽出モジュールは構成が1次元畳み込み層とResNet34残差との結合トランク及び平均プーリング層である。その中、ResNet34における畳み込み層の全部が1次元畳み込みに替えられる。
（4）深さ上の特徴に対する1 層の1次元畳み込みを行って構築するグラフの特徴マトリックスHを取得する。グラフの特徴マトリックスは行数が近似的に予測される疾患の合計、列数が各ノードに対応する特徴ベクトルを代表する。ここでは、近似的にノードベクターを各タイプの疾患の「ファジー特徴」にする。
そして、グラフの特徴マトリックスを無向グラフ構造
Figure 0007487965000012
に替える。その中、
Figure 0007487965000013
はグラフGの頂点セットであり、即ちすべての心臓ノードの集合である。EはグラフGの辺の集合であり、各ノード間の相似程度を記録する。Wは重みマトリックスであり、辺に応じる重みである。
Figure 0007487965000014
はノード特徴マトリックスである。
(5）転換による無向グラフをノード相互情報プーリングU形グラフ畳み込みネットワークのグラフ・エンコーディングモジュールに入力する。図3のとおりに、このモジュールでは、相互情報ノードのプーリングはグラフデータについてノード相互情報得点の計算を行い、最大の相互情報ノードのサブセットを探してノード選択を行う。
Figure 0007487965000015
その中、
Figure 0007487965000016
普通、ノードと周りの隣接ノードとの間の相互情報値は同時確率分布と辺縁確率分布との間のKL発散値と定義される。即ち、
Figure 0007487965000017
その中、
Figure 0007487965000018
KL発散度とf発散度との間の関係により、ノード特徴とその分野特徴との間の相互情報値見積は下式で表示できる。
Figure 0007487965000019
その中、
Figure 0007487965000020
関数
Figure 0007487965000021
はニューラルネットワークを代表し、下記のとおりに、頂点埋め込み関数
Figure 0007487965000022
、近傍埋め込み関数
Figure 0007487965000023
及び頂点隣接アフィニティ関数
Figure 0007487965000024
という訓練可能な関数の3つから構成する。
Figure 0007487965000025
その中、
は各々MLPの2つ、
Figure 0007487965000027
はR-hopグラフ畳み込みに替えられる。
（6）ノード数量を少なくした後のグラフをもう一度グラフ表現デコードモジュールに入力する。その中、アップサンプリングの場合に前に記録したノード・インデックスを利用し、新規グラフの特徴マトリックス

が生じるようにし、そしてアップサンプリングされるグラフの特徴マトリックスと同一の層のダウンサンプリングされるグラフの特徴マトリックスとの加算を行ってアップサンプリングされたグラフの特徴マトリックスを取得する。
（7）グラフのダウンサンプリングとアップサンプリングとの間、グラフの特徴マトリックスは一層のグラフ畳み込み層によりグラフにおけるすべてのノードの特徴を更新しなければいけない。その中、グラフ畳み込みは下式で算出される。
Figure 0007487965000028
その中、
Figure 0007487965000029
（8）取得したグラフの特徴マトリックスに対してグラフ特徴を読み出し、即ちグラフにおけるすべてのノードに対して合計、最大、最小及び平均を行い、共にグラフの出力特徴にする。
（9）グラフの出力特徴を取得してから特徴を全結合層に入力し、最後に出力される種別の疾患の確率値にマッピングされる。
Figure 0007487965000030
その中、
Figure 0007487965000031
（10）モデル前方向計算の全部は関数
Figure 0007487965000032
で表し、同時にAdamアルゴリズムによりモデル訓練の時に完全なモデルのパラメータを更新する。
Figure 0007487965000033
その中、
Figure 0007487965000034
本発明による方法の有効性を検証するために、私達は43100個の患者心電データで訓練と試験を行った。その中、ランダムでデータの70%を訓練セット、30%を試験セットにする同時に、若干の主要心拍数異常分類モデルで比較を行った。図4に本発明モデルと他の分類モデル結果のprecision-recallカーブを示す。よると、本発明による方法は1D-resnet34など他のモデルしか利用しない方法より予測結果が更に良く、疾患ノード相互情報ダウンサンプリンググラフ畳み込みに対して有効である。それによると、本発明によるモデルは畳み込みニューラルネットワークの特徴の上、更に深く心電データの隠された特徴をランニングでき、極めて大きくマルチラベル関係の予測に対するモデルの表現力を向上させていて、更に有効に疾患間の関係を判定でき、正確に支援診断を行うことができる。
実例に関する上記の説明は本技術分野の通常の技術者が容易に本発明を理解、応用するためのものである。明らかに、本分野の技術をよく知るものは創造的労働をしないで容易に上記の実例を様々に直し、ここで説明した一般原理を他の実例に応用することできる。よって、本発明は前記の実例に限るものではなく、本分野の技術者が本発明の開示により本発明に対して行う改善でも直しでも本発明の請求項にある。

Claims (8)

  1. 下記のステップを含む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。
    （1）体表12誘導心電図信号を採集、取得し、各リードの心電図信号を同じ信号長さまでにサンプリングする。
    （2）ノード相互情報プーリングU形グラフ畳み込みネットワークを構築し、グラフ畳み込みネットワークにおける特徴によりモジュールを抽出して心電図信号の深さ上の特徴を抽出するようにする。
    （3）前記の深さ上の特徴に対する1層1次元畳み込みにより構築するグラフの特徴マトリックスを取得し、マトリックスの行に対応するのが予測する各種の不整脈の病型、マトリックスの列が各病型に対応する特徴ベクトルである。そして、グラフの特徴マトリックスを無向グラフ構造
    Figure 0007487965000035
    に転換する。その中、
    Figure 0007487965000036
    無向グラフの点集合であり、集合で各ノードが各種の不整脈の病型に対応し、Eは無向グラフの辺の集合であり、ノード間の類似程度を記録していて、Wは重みマトリックスであり、辺に応じる重みに属し、Xはノード特徴マトリックス、Aはノード隣接マトリックスである。
    （4）転換による無向グラフをグラフ畳み込みネットワークにおけるグラフ・エンコーディングモジュールに入力する。このモジュールは無向グラフ進行ノード相互情報の定量計算のためのものであり、最大の相互情報のノードのサブセットを探し、選定して無向グラフにおけるノード数量を少なくし、ダウンサンプリングを達成するようにする。
    （5）ノード数量が少なくされた無向グラフをグラフ畳み込みネットワークにおける画像復号化モジュールに入力する。このモジュールは既存のノード・インデックスにより無向グラフに対するアップサンプリングを行って元のノード数量に恢復し、新規グラフの特徴マトリックスを生成し、ダウンサンプリング前のグラフの特徴マトリックスと加算させてから出力する。
    （6）出力されたグラフの特徴マトリックスに対する合計、最大、最小及び平均の操作を行い、4種の操作後の結果を特徴ベクトルにスプライシングし、全結合層に入力し、最終にマッピングにより種別の不整脈疾患の確率値を取得する。
    （7）大量の心電図信号データ及び不整脈の病型ラベルを利用し、交差エントロピー損失関数によりグラフ畳み込みネットワークを訓練し、訓練を完成してから心電図心拍数のマルチタイプを取得できる。
  2. 前記の特徴抽出モジュールが1次元畳み込み層、残差ネットワークResNet34及び平均プーリング層から相次ぎに結合して構成し、ResNet34における畳み込み層の全部が1次元畳み込みに替えられることを特徴とする請求項1に記載の心電図心拍数マルチタイプの予測方法。
  3. 前記のグラフ・エンコーディングモジュールが下式により最大の相互情報のノードのサブセットを選択することを特徴とする請求項1に記載の心電図心拍数マルチタイプの予測方法。
    Figure 0007487965000037
    その中、
    Figure 0007487965000038
    Figure 0007487965000039
    は多層パーセプトロン、
    Figure 0007487965000040
    はR-hopグラフ畳み込みにより達成する。
  4. 無向グラフに対するアップサンプリングまたはダウンサンプリングを行ってから対応するグラフの特徴マトリックスに対する1層のグラフ畳み込みを行ってグラフにおけるすべてのノードの特徴を更新するようにしなければいけないことを特徴とする請求項1に記載の心電図心拍数マルチタイプの予測方法。
  5. 前記のステップ（7）で交差エントロピー損失関数が収束するまでネットワークにおけるパラメータに対する反復更新を行うことを特徴とする請求項1に記載の心電図心拍数マルチタイプの予測方法。
  6. 前記の交差エントロピー損失関数が下式で表現されることを特徴とする請求項1に記載の心電図心拍数マルチタイプの予測方法。
    Figure 0007487965000041
    その中、
    Figure 0007487965000042
  7. 前記のステップ（4）でノード相互情報プーリングがグラフ・エンコーディングモジュールの中心であることを特徴とする請求項1に記載の心電図心拍数マルチタイプの予測方法。その中、グラフプーリング部がノード選択及び新規グラフ構成の生成に関わり、この部がノードと隣接ノードとの間の相互情報得点を計算し、前のK個で得点が最も高いノード・インデックスに戻る。
  8. 前記のステップ（5）で、アップサンプリングの場合に前に記録したノード・インデックスを利用し、新規グラフの特徴マトリックス
    Figure 0007487965000043
    が生じるようにし、そしてアップサンプリングされるグラフの特徴マトリックスと同一の層のダウンサンプリングされるグラフの特徴マトリックスとの加算を行ってアップサンプリングされたグラフの特徴マトリックスを取得することを特徴とする請求項1に記載の心電図心拍数マルチタイプの予測方法。
JP2022196838A 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 Active JP7487965B2 (ja)

Applications Claiming Priority (2)

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
CN202210083513.8 2022-01-17

Publications (2)

Publication Number Publication Date
JP2023104885A JP2023104885A (ja) 2023-07-28
JP7487965B2 true JP7487965B2 (ja) 2024-05-21

Family

ID=81370280

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022196838A Active 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

Country Status (3)

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

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707773B (zh) * 2022-06-06 2022-09-02 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
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 (4)

* 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
US20200394499A1 (en) 2019-06-12 2020-12-17 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
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 (4)

* 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
US10521734B2 (en) * 2018-04-20 2019-12-31 Sas Institute Inc. Machine learning predictive labeling system
CN112633195B (zh) * 2020-12-28 2024-02-13 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

Patent Citations (4)

* 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
US20200394499A1 (en) 2019-06-12 2020-12-17 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
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Ao RAN et al.，Multi-label Classification of Abnormalities in 12-Lead ECG Using Deep Learning，2020 Computing in Cardiology Conference (CinC) [online]，2020年12月30日，https://www.cinc.org/archives/2020/pdf/CinC2020-139.pdf [2023年12月15日検索]，DOI: 10.22489/CinC.2020.139
尾亦 範泰ほか，深層学習を用いた心電図波形の長期変動パターン抽出法，一般社団法人 人工知能学会 第３２回全国大会論文集ＤＶＤ ［ＤＶＤ－ＲＯＭ］，（一社）人工知能学会，2018年06月05日，2H2-04

Also Published As

Publication number Publication date
CN114431873A (zh) 2022-05-06
JP2023104885A (ja) 2023-07-28
US20230225663A1 (en) 2023-07-20
CN114431873B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
Liu et al. Arrhythmia classification of LSTM autoencoder based on time series anomaly detection
CN111449645B (zh) 心电图心拍智能分类识别方法
CN106725428B (zh) 一种心电信号分类方法及装置
CN108714026B (zh) 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
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
JP7487965B2 (ja) 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
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
CN109259756B (zh) 基于非平衡训练的二级神经网络的ecg信号处理方法
Farag A self-contained STFT CNN for ECG classification and arrhythmia detection at the edge
CN113180688B (zh) 基于残差神经网络的冠心病心电图筛查系统及方法
Feng et al. Unsupervised semantic-aware adaptive feature fusion network for arrhythmia detection
CN115337018B (zh) 基于整体动态特征的心电信号分类方法及系统
Wu et al. Personalizing a generic ECG heartbeat classification for arrhythmia detection: a deep learning approach
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
Ajitkumar Singh et al. Heart abnormality classification using PCG and ECG recordings
Shukri et al. Investigation on Elman neural network for detection of cardiomyopathy
Tung et al. Multi-lead ECG classification via an information-based attention convolutional neural network
CN112603325A (zh) 基于形态学滤波和小波阈值的心电异常判别系统及方法
Qu et al. ECG Heartbeat Classification Detection Based on WaveNet-LSTM
Balcı A hybrid attention-based LSTM-XGBoost model for detection of ECG-based atrial fibrillation
Pomprapa et al. Deep learning of arrhythmia analysis based on convolutional neural network
Ghodake et al. Optimized cardiovascular disease detection and features extraction algorithms from ECG data
Fitri et al. A review of methods for myocardial infarction detection using of electrocardiographic features
Chashmi et al. An automatic ECG arrhythmia diagnosis system using support vector machines optimised with GOA and entropy-based feature selection procedure
Odugoudar et al. Ecg classification system for arrhythmia detection using convolutional neural networks

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221209

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230113

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231129

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231220

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240228

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240415

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240430

R150 Certificate of patent or registration of utility model

Ref document number: 7487965

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150