《ECGNN: Enhancing Abnormal Recognition in12-Lead ECG with Graph Neural Network》论文翻译

最新推荐文章于 2024-04-01 18:33:48 发布

汤汤upup

最新推荐文章于 2024-04-01 18:33:48 发布

阅读量555

点赞数

分类专栏：论文翻译与学习文章标签： numpy

本文链接：https://blog.csdn.net/m0_55245520/article/details/132427913

版权

论文翻译与学习专栏收录该内容

7 篇文章 0 订阅

订阅专栏

ECGNN:用图神经网络增强12导联心电图异常识别

论文下载链接：ECGNN: Enhancing Abnormal Recognition in 12-Lead ECG with Graph Neural Network | IEEE Conference Publication | IEEE Xplore

源码下载链接:GitHub - zhaoxiongjun/ECGNN

一、摘要

12导联心电图(ECG)是心血管疾病最常用的诊断工具之一。广泛可用的心电数据库和深度学习算法为大幅度提高心电异常自动识别的准确性和可扩展性提供了机会。然而，现有的方法主要是对单个导联进行建模，然后汇总预测，忽略了导联之间的关系，而导联之间关系是临床医生诊断的重要参考。在本文中，我们提出了一种新的模型，称为ECGNN，它主要由特征提取器骨干和图神经网络模块组成。特征提取主干是一种用于提取心电信号特征的神经网络，用于后续的图节点预测和初始化。具体而言，本文提出的图神经网络模块将图卷积和图池结合为一个统一的模块，生成图的层次表示，并可集成到各种特征提取器骨干中。在两个大型12导联心电数据库上的实验结果证明了该模型的有效性。

关键词：心电图，异常识别，图神经网络，深度学习

二、介绍

本工作的贡献可以概括如下:

• 据我们所知，我们首次探索了ECG 12导联之间的关系，并提出了用图神经网络对这种关系进行建模的方法，该方法具有学习精细图表示以提高ECG异常识别性能的优点。

• 我们介绍了一种新的12导联心电自动识别网络ECGNN，它可以集成到各种现有的心电算法(特征提取主干)中，并提高了它们的性能。

• 我们提出的ECGNN在公开的12 lead数据集上实现了0.937的最佳ROC-AUC和0.9的精度，显著超过了几个竞争基线。我们还在另一个大型心电数据集上证明了我们的模型的鲁棒性。

三、方法

整体网络构造

1、图结构

建图方法：将导联II中的节点表示心脏中心，并直接根据12导联心电图的矢量关系构建边缘。例如，avR、avL、avF分别表示心脏三个方向的心电信号，因此有一条导联为II的边。其次，根据心电图临床导联的定义，12根导联可分为4个不同的心脏区域:下区、外侧区、室间隔区、前壁区。我们构建属于同一区域的边。

（按照作者的方法，建立的图如下：）

2、特征提取骨干

特征提取骨干网络旨在将原始心电信号映射成特征向量，用于初始化图的节点特征和后续预测。本研究评估的特征提取骨干网络均基于卷积神经网络。给定12导联心电信号数据E = {e1, e2，···，e12}，每个导联的特征向量由特征提取器主干输出:X0 = extractor (E)，其中X0∈R12∗m, m为特征向量大小。在本工作的实验中，m的大小被设置为128。值得注意的是，我们已经进行了直接将原始心电数据输入到图神经网络的实验，但这种方法极易在训练集上过拟合，测试集的性能也很差。

3、图神经网络模块

像大多数使用图神经网络的工作一样，我们的图神经网络模块是基于图卷积网络和图池操作实现的。

图卷积

我们选择GCN作为我们的GNN构建块。对于GCN的第I层，将图G的相邻矩阵A和隐藏表示矩阵Hi作为输入，则生成下一层的输出如下:

$H_{i+1}=\sigma(\tilde{D}^{-\frac{1}{2}}\tilde{A}\tilde{D}^{-\frac{1}{2}}H_iW_i)$

其中 $\tilde{D}$ 为 $\tilde{A}$ 的对角度矩阵， $\tilde{A}=A+I$ 为自连接的相邻矩阵， $\sigma(\bullet)$ 为激活函数。

图池化

我们同时利用节点特征和图结构信息来实现池化操作。为了在保留更多原始图的关键信息的同时进行节点降采样，我们提出了一个节点信息评分来评估每个节点包含的给定邻域的信息。我们将节点信息得分定义为节点表示本身与由其邻居构造的节点之间的曼哈顿距离。在获得节点信息得分后，我们首先根据得分对图中的节点重新排序，然后选择保留排名靠前的节点，因为它们可以提供更多的信息。具体表述如下: