System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智慧医疗,具体涉及基于图神经网络的冠心病ecg智能检测方法。
技术介绍
1、冠心病是指冠状动脉粥样硬化导致心肌缺血、缺氧而引起的心脏病,其根本发病原因在于动脉壁内脂肪或不健康胆固醇的持续积聚,最终造成动脉壁变窄和堵塞。心律失常、心绞痛和心肌梗死都是冠心病最常见的临床表现。冠心病不仅死亡率高,患者治愈出院后还存在复发风险,常因诊断不及时延误治疗,而引发急性心肌梗死甚至猝死,因此临床上对冠心病的早期发现、早期诊断和早期干预治疗对改善患者预后提高生存率至关重要。
2、目前,明确冠脉病变的金标准是冠脉造影术,但是由于它是一种需要动脉穿刺的侵入性技术,检查成本较高且有辐射暴露风险,临床上更常用无创、便捷、经济的心电图诊断筛查冠心病。基于心电图的冠心病诊断方法通过检查心电图波形,依靠专家的长期经验和主观判断做出。然而,这些决策在一定程度上可以被自动化数据驱动的方法所支持和取代。
3、基于深度学习的冠心病心电图诊断研究还处于探索阶段。在应用传统深度学习模型时,心电信号通常仅被视为排列在欧几里得空间中的同步信号。这些方法在分析心电图时,通常将心电信号作为通道级的简单排列处理,只关注信号的时间特征,而忽略了心电图中不同导联的生理空间联系,这些导联间的空间关系在生理上是至关重要的,它们对于冠心病的诊断具有实用价值。
技术实现思路
1、本专利技术的目的在于,提出基于图神经网络的冠心病ecg智能检测方法,通过添加拓扑连接在非欧几里得数据中,使用图神经网络形式建模,得到
2、为实现上述目的,本专利技术提供了一种基于图神经网络的冠心病ecg智能检测方法,包括以下步骤:
3、获取临床数据集,将其脱敏后由专业医生在临床数据集上标注,分为冠脉异常和冠脉正常;
4、对标注后的临床数据集进行预处理,提取临床数据中的原始信号,得到12导联ecg心电信号后进行降噪及标准化处理;
5、基于改进的gcn网络构建诊断模型,以12导联ecg心电信号的各导联为节点,按生理空间关系加入拓扑连接构建ecg图,将该ecg图输入诊断模型进行训练并使用gnnexplain进行可解释性分析;
6、根据诊断模型构建基于图神经网络和12导联ecg心电信号的冠心病检测系统。
7、进一步地,构建ecg图的具体方式为:
8、将12导联ecg心电信号划分为肢体导联区域和胸部导联区域,所述肢体导联区域包括肢体导联i、肢体导联ii、肢体导联iii、肢体增强导联avr、肢体增强导联avf、肢体增强导联avl;所述胸部导联区域包括胸导联v1、胸导联v2、胸导联v3、胸导联v4、胸导联v5、胸导联v6,每个导联代表一个特定心脏区域的活动记录;
9、将每个区域内的导联按生理空间关系连接,使用肢体导联i、肢体导联iii、胸导联v1、胸导联v6将不同区域的导联连接在一起,实现区域之间的通信。
10、进一步地,所述诊断模型包括特征提取模块和图神经网络模块;
11、所述特征提取模块包括长短期记忆网络,其将每个原始信号作为输入,获得导联级时域特征fb,并使用输出的特征向量初始化整个图网络中的节点;
12、图神经网络模块通过图卷积和图池化操作实现,其包含一个3层的gcn模型,所述gcn模型通过聚合邻居节点的信息来更新每个节点的表示。
13、进一步地,对于gcn模型中的第i层,它的下一层输出为:
14、
15、其中,hi表示第i层的节点矩阵,a表示节点之间的邻接矩阵,d是度矩阵,为有自连接的邻接矩阵,i为单位矩阵,为的对角度矩阵,wi表示第i层的权重矩阵,σ表示激活函数,该模块使用relu函数作为激活函数。
16、进一步地,图神经网络模块使用基于自注意力的topk图池化机制,对图中每个节点学习出一个表示节点重要度评分score,基于这个分数的排序丢弃部分低分数的节点,将全图中的n个节点下采样至kn个节点;整个池化过程表示如下:
17、idx=top-rank(score,kn)
18、
19、ai+1=ai(idx,idx)
20、其中,hi(idx,:)表示按照向量idx的值对新子图特征矩阵进行行切片,ai(idx,idx)表示按照向量idx的值对新子图的邻接矩阵同时进行行切片与列切片;
21、基于自注意力的节点重要度评分score如下:
22、
23、其中x是图的输入特征,θatt是基于图的特征和拓扑结构的唯一参数。
24、更进一步地,图神经网络模块通过迭代执行图卷积和图池操作以生成多个新的子图,聚合子图中的所有节点表示并求和得到固定大小的图级特征fg。
25、更进一步地,诊断模型聚合导联级时域特征fb和图级特征fg通过分类器进行分类,分类器使用sigmoid函数对整图进行诊断标签的预测,将损失函数定义为标签上预测的交叉熵,输出的诊断结果分为两类,包括冠脉正常和冠脉异常;
26、sigmoid函数为:
27、
28、损失函数为:
29、
30、其中n为训练样本的大小,m为类别数,yij为基础真值,pij为属于j类的预测概率。
31、更进一步地,按患者patientid划分标注后的临床数据集,得到训练集、验证集和测试集;所述临床数据集中的冠脉正常数据标记为(1,0),冠脉异常数据标记为(0,1);将训练集输入诊断网络进行训练。
32、作为更进一步地,使用gnnexplain可视化解释诊断结果,具体为:gnnexplain将训练后的诊断模型和其预测结果作为输入,然后选择一个节点v,监测节点v上的一个子图的预测值以及该子图上更少特征的预测值,通过两者差值变化来提供基于子图或者特征的解释,使原图的预测与子图的预测之间的互信息mi最大化,用公式表达为:
33、
34、其中gs和xs为子图及其节点的特征,y为预测标签分布,其熵h(y)为常数。
35、作为更进一步地,冠心病检测系统搭建方式为:
36、将诊断模型部署在服务器端,获取网页端电子病历,提取原始12导联ecg心电信号,对信号进行降噪、归一化处理;
37、预处理的临床数据转化为ecg图后输入训练后的诊断模型中进行冠心病检测,得到当前患者的诊断结果;
38、诊断结果传递回前端系统,并在用户界面上可视化地解释每个诊断结果,展示当前分类结果的特征依据。
39、本专利技术采用的以上技术方案,与现有技术相比,具有的优点是:本方法能够同时关注到心电图中的时间特征与不同导联间的生理空间联系,有助于更好地捕捉到心脏活动的整体状态,减轻人工读图压力,使得筛查冠心病更有效率,提高诊断置信度,为临床医生提供了更准确的诊断工具,从而节省医院资源、本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的冠心病ECG智能检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述一种基于图神经网络的冠心病ECG智能检测方法,其特征在于,构建ECG图的具体方式为:
3.根据权利要求1所述一种基于图神经网络的冠心病ECG智能检测方法,其特征在于,所述诊断模型包括特征提取模块和图神经网络模块;
4.根据权利要求3所述一种基于图神经网络的冠心病ECG智能检测方法,其特征在于,对于GCN模型中的第i层,它的下一层输出为:
5.根据权利要求3所述一种基于图神经网络的冠心病ECG智能检测方法,其特征在于,图神经网络模块使用基于自注意力的TopK图池化机制,对图中每个节点学习出一个表示节点重要度评分score,基于这个分数的排序丢弃部分低分数的节点,将全图中的N个节点下采样至kN个节点;整个池化过程表示如下:
6.根据权利要求3所述一种基于图神经网络的冠心病ECG智能检测方法,其特征在于,图神经网络模块通过迭代执行图卷积和图池操作以生成多个新的子图,聚合子图中的所有节点表示并求和得到固定大小的图级特征fg。
>7.根据权利要求1所述一种基于图神经网络的冠心病ECG智能检测方法,其特征在于,诊断模型聚合导联级时域特征fb和图级特征fg通过分类器进行分类,分类器使用Sigmoid函数对整图进行诊断标签的预测,将损失函数定义为标签上预测的交叉熵,输出的诊断结果分为两类,包括冠脉正常和冠脉异常;
8.根据权利要求1所述一种基于图神经网络的冠心病ECG智能检测方法,其特征在于,按患者patientID划分标注后的临床数据集,得到训练集、验证集和测试集;所述临床数据集中的冠脉正常数据标记为(1,0),冠脉异常数据标记为(0,1);将训练集输入诊断网络进行训练。
9.根据权利要求1所述一种基于图神经网络的冠心病ECG智能检测方法,其特征在于,使用GNNExplain可视化解释诊断结果,具体为:GNNExplain将训练后的诊断模型和其预测结果作为输入,然后选择一个节点v,监测节点v上的一个子图的预测值以及该子图上更少特征的预测值,通过两者差值变化来提供基于子图或者特征的解释,使原图的预测与子图的预测之间的互信息MI最大化,用公式表达为:
10.根据权利要求1所述一种基于图神经网络的冠心病ECG智能检测方法,其特征在于,冠心病检测系统搭建方式为:
...【技术特征摘要】
1.一种基于图神经网络的冠心病ecg智能检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述一种基于图神经网络的冠心病ecg智能检测方法,其特征在于,构建ecg图的具体方式为:
3.根据权利要求1所述一种基于图神经网络的冠心病ecg智能检测方法,其特征在于,所述诊断模型包括特征提取模块和图神经网络模块;
4.根据权利要求3所述一种基于图神经网络的冠心病ecg智能检测方法,其特征在于,对于gcn模型中的第i层,它的下一层输出为:
5.根据权利要求3所述一种基于图神经网络的冠心病ecg智能检测方法,其特征在于,图神经网络模块使用基于自注意力的topk图池化机制,对图中每个节点学习出一个表示节点重要度评分score,基于这个分数的排序丢弃部分低分数的节点,将全图中的n个节点下采样至kn个节点;整个池化过程表示如下:
6.根据权利要求3所述一种基于图神经网络的冠心病ecg智能检测方法,其特征在于,图神经网络模块通过迭代执行图卷积和图池操作以生成多个新的子图,聚合子图中的所有节点表示并求和得到固定大小的图级特征fg。
7.根据权利要求1所述一种基于图神经网...
【专利技术属性】
技术研发人员:秦静,裴莉莎,王宾,刘璐,张树龙,
申请(专利权)人:大连大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。