基于自适应图卷积网络的心电图多标签分类模型

心电图分析是一种被广泛应用的心脏疾病诊断方法。传统的心电图分析严重依赖医生个人水平,容易出现误诊、漏诊现象,效率较低,且不能有效利用高频信号提供的有价值信息。基于卷积神经网络(CNN)的心电图自动分类方法在一定程度上提高了诊断效率,但依然存在对高频信息利用不充分的问题,且单一的卷积神经网络由于受感受野的限制和权重共享的影响,导致无法充分利用全局信息,分类准确率有待提高。提出一种基于注意力机制与图卷积网络的心电图多标签分类模型MLECG-AGCN,通过设计基于注意力机制的CNN网络,提高网络对高频信号的利用率。引入图卷积网络,以有效利用全局信息和特征空间邻域样本信息,从而协助样本进行分类,提高分类结果的准确率。基于注意力机制的CNN网络通过高通滤波器突出原始信号的高频位置,生成注意力图,并将注意力图嵌入到原始信号中,增强网络关注高频信号的能力。在PTB-XL数据集上的实验结果表明,基于注意力机制的CNN网络与自适应图卷积网络的结合有效提高了心电图分类精度,与Multi-ECGNet、ResNet18、ResNet101等模型相比,MLECG-AGCN模型取得了较高的AUROC值,为0.943639。

基于EM路由算法的医学图像分割UCaps网络

传统的医学图像分割网络存在分割精度低、图像信息易丢失、分割轮廓不清晰等问题。为提高医学图像分割准确率,提出一种结合胶囊网络与U-Net的多标签图像分割网络UCaps。以U-Net网络为架构,基于胶囊网络原理设计适用于胶囊网络的上采样算法,通过结合高斯混合模型作为聚类算法的EM路由算法聚合底层特征对高层特征的推导过程,使高层特征包含底层特征信息,同时底层特征间的位置、姿态等信息具有统一性。实验结果表明,相比U-Net、SegCaps、MaVec-Caps网络,UCaps网络的平均分割准确率为93.21%,其中左肺分割准确率达到98.24%,具有较高的图像分割准确率和较快的收敛速度。

基于高频心电图的缺血型心脏疾病分类算法

现阶段高频心电图(high-frequency electrocardiogram,HFECG)分类算法多为心梗(myocardial infarction,MI)与非心梗的二类分类或心梗类别分类算法,无法在心梗早期的心肌缺血阶段发现病例。基于此,本文提出了一种基于高频心电图的缺血型心脏疾病分类算法。该算法选取并改进了6个高频成分参数作为特征,使用XGBoost模型对样本进行分类。相较于传统算法,该算法增加了对缺血型异常(ischemic,ISC)病例的分类,可以及早发现心梗潜在病例。此外,本文对高频成分参数中幅值下降区域的求解过程与形态学指标进行了改进,提高了算法性能。采用本文算法在PTB-XL数据集上进行了实验,并利用临床数据进行了验证。实验结果表明,本文采用的高频心电图特征对于心肌缺血异常具有较强的表征能力,针对PTB-XL数据集,对四分类类别:正常(NORM)、其他异常(ABNORM)、ISC和MI的识别准确率依次为83.9%,81.7%,88.2%和93.9%。该算法可以有效挖掘处于心梗早期心肌缺血阶段的病例。