[发明专利]一种基于图卷积的心电图心率多类型预测模型构建方法

权利要求书

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；

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(xv)的结果；ε_w()和采用多层感知机实现，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。