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

本发明专利技术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。本发明专利技术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。准确性。准确性。

【技术实现步骤摘要】
一种基于图卷积的心电图心率多类型预测模型构建方法


[0001]本专利技术属于心脏电生理疾病预测
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]鉴于上述，本专利技术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。
[0006]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：
[0007](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；
[0008](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；
[0009](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(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；
[0010](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；
[0011](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；
[0012](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；
[0013](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。
[0014]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。
[0015]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；
[0016][0017][0018][0019][0020]其中：Ω表示节点子集，K为节点子集Ω中的节点数量，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，x
v
表示节点v的特征向量，σ()为sigmoid激活函数，表示节点v的所有邻居节点，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，表示节点u的所有邻居节点，为节点u所有邻居节点特征向量所组成的特征矩阵，ε
w
()为顶点嵌入函数，为邻域嵌入函数，为顶点
‑
邻域亲和函数，其功能与ε
w
()相同且聚合了
ε
w
(x
v
)的结果；ε
w
()和采用多层感知机实现，采用R
‑
hop图卷积实现。
[0021]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。
[0022]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。
[0023]进一步地，所述交叉熵损失函数的表达式如下：
[0024]L＝{l1,
…
,l
N
}
T
[0025]l
n
＝
‑
w
n
[y
n
·
log x
n
+(1
‑
y
n
)
·
log(1
‑
x
n
)][0026][0027]其中：L为交叉熵损失函数，l
n
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，w
n
对应为第n类心律失常疾病的权重值，x
n
为本文档来自技高网...

【技术保护点】

【技术特征摘要】
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；码模块通过以下公式来选择最大互信息的节点子集；码模块通过以下公式来选择最大互信息的节点子集；码模块通过以下公式来选择最大互信息的节点子集；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，x
v
表示节点v的特征向量，σ()为sigmoid激活函数，表示节点v的所有邻居节点，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，表示节点u的所有邻居节点，为节点u所有邻居节点特征向量所组成的特征矩阵，ε
w
()为顶点嵌入...

【专利技术属性】
技术研发人员：刘华锋，彭建辉，
申请(专利权)人：浙江大学，
类型：发明
国别省市：