嵌入导联上下文编码的图卷积神经网络心律失常分类模型.pdfVIP

2122025，61（3）ComputerEngineeringandApplications计算机工程与应用

嵌入导联上下文编码的图卷积神经网络心律失常分类模型

1，2+1，23

喻云虎，杨湘，陈艳红

1.武汉科技大学计算机科学与技术学院，武汉430065

2.国家新闻出版署富媒体数字出版内容组织与知识服务重点实验室，北京100038

3.武汉亚洲心脏病医院心血管内科，武汉430022

+通信作者E-mail：1336800945@

摘要：心律失常对患者健康造成严重威胁，其通过12导联心电图（electrocardiogram，ECG）的自动分类在临床上具

有重要意义。现有研究偏重两两导联之间的相关性，忽视多导联上下文及频域特征，这导致了分析的局限性，且易

受噪声干扰，影响分类准确性。该研究提出了嵌入导联上下文编码的图卷积神经网络心律失常分类模型（leadcon-

textencodingembeddedgraphconvolutionalneuralnetworkmodelforarrhythmiaclassification，LCEE-GCN）。该

模型利用短时傅里叶变换获取12导联心电信号的功率谱密度（powerspectraldensity，PSD），并运用ECG信号处理

算法提取R-R间期等时域特征，通过导联上下文编码获得导联间更广泛的相关性信息，并结合PSD与时域特征构建

动态图结构，利用图卷积神经网络增强模型对导联间关系的学习与表示能力。在查普曼数据集上进行的实验表明，

模型达到了99.38%的准确率，超过了现有先进方法。这一创新有望提高心律失常诊断的效率和准确性。

关键词：心律失常分类；12导联心电图；图卷积神经网络；功率谱密度；导联上下文编码

文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2309-0401

LeadContextEncodingEmbeddedGCNforArrhythmiaClassification

YUYunhu1，2+,YANGXiang1，2,CHENYanhong3

1.SchoolofComputerScienceandTechnology,WuhanUniversityofScienceandTechnology,Wuhan430065,China

2.TheKeyLaboratoryofRich-MediaKnowledgeOrganizationandServiceofDigitalPublishingContentInstituteof

ScientificandTechnicalInformationofChina,Beijing100038,China

3.InternalMedicine-CardiovascularDepartment,WuhanAsiaHeartHospital,Wuhan430022,China

Abstract：Arrhythmiaposesaseriousthreattopatients’health,anditsautomaticclassificationthrough12-leadelectrocar-

diograms(ECG)isofsignificantclinicalimportance.Currentresearchhasfocusedonthecorrelationbetweenpairsof

leadswhileoverlookingthemulti-leadcontextandfrequencydomainfeatures.Thishasresultedinlimitationsinanalysis

andsusceptibilitytonoiseinterference,affectingclassificationaccuracy.This