申请/专利权人：广东工业大学

申请日：2022-03-31

公开（公告）日：2024-06-14

公开（公告）号：CN114652319B

主分类号：A61B5/318

分类号：A61B5/318;A61B5/308;A61B5/363;A61B5/00;G16H50/70;G06F18/214;G06F18/241

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2022.07.12#实质审查的生效;2022.06.24#公开

摘要：本发明公开了一种基于图神经网络的心律失常检测方法，包括下述步骤：对多导联心律数据进行提取，关注多导联不同级别心跳，构建异构图的节点；建立三种类型的关系，构建成异构图的边；针对不同类型节点，使用异构图卷积利用不同类型信息各自的变换矩阵将它们投影到一个隐式空间中，从而建立不同节点的计算；引入双层注意力机制，捕捉和学习异构图中的相邻节点之间节点级和类型级的重要性；对异构图神经网络进行训练，获取每个节点的最终表示，将多导联心跳节点的嵌入表示通过模型交叉训练，实现多导联数据的心律失常检测。本发明能够实现半监督自适应的决策，解决异构数据计算问题，有效地检测心律心跳数据中的异常。

主权项：1.一种基于图神经网络的心律失常检测方法，其特征在于，包括以下步骤：S1、提取多导联心律数据，关注多导联不同级别心跳，建立多导联心跳、单导联心跳和单导联序列，构建成异构图的节点；S2、建立单导联序列与多导联心跳之间的联系，多导联心跳与单导联心跳之间的联系，以及同一导联内单导联心跳之间的联系，构成异构图的边；S3、针对不同类型节点，使用异构图卷积利用不同类型信息各自的变换矩阵将它们投影到一个隐式空间中，从而建立不同节点的计算；S4、引入双层注意力机制，捕捉和学习异构图中的相邻节点之间节点级和类型级的重要性；S5、对异构图神经网络进行训练，获取每个节点的最终表示，将多导联心跳节点的嵌入表示通过模型交叉训练，实现多导联数据的心律失常检测；步骤S3的具体过程为：S31、建立异构图卷积网络，网络考虑不同类型信息的差异，所述不同类型信息的差异包括考虑多导联心跳与单导联心跳关系，考虑单导联与多导联心跳之间的关系，考虑同一导联内单导联心跳之间的关系；S32、用不同类型信息各自的变换矩阵W考虑不同特征空间的差异，并将其投影到隐式公共空间中； 其中是A的子矩阵，它的行表示所有节点，列表示类型τ的邻居节点；节点的表示Hl+1通过用各个类型τ的变换矩阵对不同类型τ相邻节点的特征信息进行聚合得到；变换矩阵考虑不同特征空间的差异，并将其投影到隐式公共空间中；在初始时，步骤S4的具体过程为：S41、建立类型级注意力；给定一个特定的节点v，类型级注意力学习不同类别邻居的权重；其中，首先将类型τ的嵌入形式定义为表示所有邻居节点hv'特征的和，其中节点并在类型τ中；然后根据当前节点嵌入特征和类型嵌入特征计算类型级注意力得分，计算方式如下： 其中μτ表示类型τ的注意力向量，||表示连接，σ·表示激活函数；然后，通过使用softmax函数对所有类型的注意得分进行规范化，获得类型级别的注意权重: S42、建立节点级注意力；给一个类型τ的特定节点v，和其类型为τ'的邻居利用嵌入表示hv和hv'以及类型级注意力得分aτ',计算节点级注意力得分:bvv'＝σvT·aτ'[hv||hv']其中v是注意力向量，然后使用softmax函数将节点级的注意力得分标准化： 最后，将包括类型级和节点级注意的双层注意机制改进方程引入到异构图卷积中，其中每层之间的传播如下: 其中是注意力矩阵。

全文数据：

权利要求：

百度查询： 广东工业大学 一种基于图神经网络的心律失常检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD