多尺度特征提取和自适应多通道图形神经网络的融合,用于12导电心电图谱分类
Teng Chen1, Yumei Ma1, Zhenkuan Pan1
1College of Computer Science & Technology, Qingdao University, Qingdao 266071, PR China.
Computer methods and programs in biomedicine
|April 4, 2025
概括
这项研究引入了一种新的多尺度自适应图形融合网络 (MSAGFN),用于12导电心电图 (ECG) 分类. MSAGFN模型通过有效地整合交叉信号相关性来提高诊断准确性,优于现有的方法.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 12导电心电图 (ECG) 对于诊断心血管疾病至关重要.
- 电脑心电图中的交联信号相关性对于诊断至关重要,但深度学习模型往往忽视它.
- 图形神经网络为捕获关联提供了潜力,但复杂的ECG相关性需要先进的方法.
研究的目的:
- 开发一种新的深度学习模型,用于12个导向的心电图分类.
- 为了有效地捕获和整合复杂的交联信号相关性.
- 提高心电图诊断方法的准确性和全面性.
主要方法:
- 提出了一个多尺度自适应图形融合网络 (MSAGFN),集成多尺度特征提取和一个自适应多通道图形神经网络 (AMGNN).
- 使用12个ECG导线的多尺度特征构建特征图和拓图.
- 采用AMGNN与一致性和差异性约束用于精细的图表级表示.
主要成果:
- 在PTB-XL数据集上获得了0.937的接收器运行特征曲线 (AUC) 下的面积.
- 获得了0.894的平均精度和0.815的最大F1得分.
- 与最先进的方法相比,表现出更优异的性能,经过废除研究验证.
结论:
- 基于生理和主要特征关系的拓和特征图的整合充分利用了互补的数据结构.
- 拟议的MSAGFN模型构建了一个全面的数据视图,大大提高了12导电图分析中的特征表示和分类准确性.
- 这种方法为自动ECG解释和心血管疾病诊断提供了有希望的进步.
