基于自適應(yīng)圖卷積網(wǎng)絡(luò)的心電圖多標(biāo)簽分類模型

賀煜航，劉棪，陳剛

（1.武漢大學(xué) 空天信息安全與可信計算教育部重點實驗室，武漢 430072；2.武漢大學(xué) 國家網(wǎng)絡(luò)安全學(xué)院，武漢 430072）

0 概述

根據(jù)世界衛(wèi)生組織2019 年的研究報告，心臟疾病已經(jīng)成為全球最主要的死亡原因之一［1］。心臟疾病泛指由高脂血癥、血液粘稠、動脈粥樣硬化、高血壓等導(dǎo)致的心臟缺血性或出血性心臟病。心臟疾病發(fā)作之前，通常有明顯的心血管異常表現(xiàn)，如心悸、暈厥、胸痛、氣短等。如果能夠在這些疾病早期癥狀出現(xiàn)時，精確診斷所患疾病，并介入治療，將有助于控制疾病發(fā)展。

心電圖（Electrocardiogram，ECG）分析［2］是一種被廣泛應(yīng)用的重要心臟疾病診斷方法。傳統(tǒng)心電圖診斷需要醫(yī)生人工分析被測量者的心電圖，判斷被測量者的病情。但傳統(tǒng)心電圖分析嚴(yán)重依賴醫(yī)生的個人水平，由于心臟疾病種類多樣、隱匿性心臟病的存在等，易出現(xiàn)誤診、漏診現(xiàn)象，且效率較低。同時，已有研究表明，心電圖中的高頻信號對心臟的健康情況能進行更全面的分析［3-4］。為了提高診斷準(zhǔn)確率和效率，如何進行高效、準(zhǔn)確的心電圖自動分類并更好地利用其中的高頻信息是一個亟需解決的問題。

在深度學(xué)習(xí)發(fā)展前，已有多種傳統(tǒng)機器學(xué)習(xí)方法被應(yīng)用于心電圖自動分類問題。CEYLAN等［5］使用離散小波變換對心電圖RR 間期進行特征提取，構(gòu)建前饋神經(jīng)網(wǎng)絡(luò)對心電圖進行分類，取得較好成果。WANG等［6］將主成分分析（Principal Components Analysis，PCA）及主題模型方法應(yīng)用于心電圖特征提取，并構(gòu)建概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN）分類器對心電圖進行分類。ZIDELMAL等［7］使用小波變換對心電圖進行去噪及特征提取，通過支持向量機對心電圖進行分類。上述機器學(xué)習(xí)方法首先從心電圖中人工提取特征，然后將提取特征輸入到?jīng)Q策樹、支持向量機等判別模型中進行分類預(yù)測，其表現(xiàn)依賴于人工提取特征和判別模型。而人工提取的特征存在一些不足：難以準(zhǔn)確表示心電圖信息，易導(dǎo)致錯誤；需要大量專業(yè)醫(yī)學(xué)知識用于特征工程，這會降低整體效率。

近年來，深度學(xué)習(xí)成為人工智能領(lǐng)域的核心話題，并逐漸應(yīng)用于心電圖分類任務(wù)。深度學(xué)習(xí)通過網(wǎng)絡(luò)模型自動提取特征，有效地解決了傳統(tǒng)方法中人工提取特征的局限性。其中，以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）為基礎(chǔ)的模型被越來越多地應(yīng)用于心電圖分類任務(wù)并取得了一定的成果。CAI等［8］提出以殘差神經(jīng)網(wǎng)絡(luò)（Residual Neural Network，ResNet）為基礎(chǔ)，結(jié)合深度可分離卷積、通道域注意力（Squeeze and Excitation，SE）模塊構(gòu)建的Multi-ECGNet 模型，取得了較好的分類效果。WANG等［9］提出并構(gòu)建了基于非局部卷積注意模塊的卷積神經(jīng)網(wǎng)絡(luò)模型Automated-ECG，通過非局部注意力獲取心電圖數(shù)據(jù)空間、通道及時間上的信息，并結(jié)合學(xué)習(xí)矩陣進行融合，學(xué)習(xí)矩陣在上述三類信息中挖掘關(guān)系信息并最終完成分類，該模型在多個數(shù)據(jù)集中取得了較好的結(jié)果。

上述CNN 模型在進行分類時，均通過適當(dāng)?shù)姆椒ㄔ鰪娔Ｐ偷谋碚髂芰Γ蕴崛∮行У男碾妶D特征，并用于心電圖分類。但一方面，單一的卷積神經(jīng)網(wǎng)絡(luò)由于受感受野的限制和權(quán)重共享的影響，不能很好地利用全局信息，對特征空間鄰域中其他樣本提供的信息利用不夠，影響了分類結(jié)果的準(zhǔn)確率。另一方面，在實際病例中，心臟疾病患者常同時出現(xiàn)多種癥狀，且部分癥狀是不獨立的，而目前的大部分網(wǎng)絡(luò)模型傾向于關(guān)注一種或幾種心臟疾病，并沒有對多標(biāo)簽進行分析研究。

本文提出一種基于注意力機制與圖卷積網(wǎng)絡(luò)的心電圖多標(biāo)簽分類模型（Multi-Label Classification Model of Electrocardiogram Based on Attention Mechanism and Graph Convolutional Network，MLECG-AGCN），并結(jié)合損失函數(shù)和評價指標(biāo)從多標(biāo)簽角度考慮分類，以高效利用高頻信號及特征空間中的全局信息和鄰域信息。

1 相關(guān)研究

1.1 注意力機制

注意力機制最初被用于機器翻譯［10］，現(xiàn)已成為神經(jīng)網(wǎng)絡(luò)領(lǐng)域的一個重要概念。注意力機制的基本思想是使模型忽略無關(guān)信息而關(guān)注重點信息。一般而言，在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中，模型參數(shù)越多則模型的表達能力越強，模型所存儲的信息量也越大，但這會帶來信息過載的問題。通過引入注意力機制，在眾多的輸入信息中聚焦于對當(dāng)前任務(wù)更關(guān)鍵的信息，降低對其他信息的關(guān)注度，甚至過濾掉無關(guān)信息，就可以解決信息過載問題，提高任務(wù)處理的效率和準(zhǔn)確性。

近年來，注意力機制被逐漸應(yīng)用于計算機視覺領(lǐng)域，并在圖像分類、圖像識別等任務(wù)中取得良好的效果。JADERBERG等［11］提出一種將注意力機制應(yīng)用于空間域進行圖像分類的模型（Spatial Transformer Networks，STN），通過將基于注意力機制的空間轉(zhuǎn)換器模塊代替卷積神經(jīng)網(wǎng)絡(luò)中的池化層，將原始圖片的空間信息變換至另一空間并聚焦關(guān)鍵信息，提升圖像分類準(zhǔn)確率。HU等［12］提出一種顯示建模通道間相互依賴性的通道域注意力機制網(wǎng)絡(luò)（SE Networks，SENet），在所使用數(shù)據(jù)集上獲得高于基線網(wǎng)絡(luò)的效果。WANG等［13］提出一種殘差注意力網(wǎng)絡(luò)（Residual Attention Network），并設(shè)計一種注意力殘差學(xué)習(xí)訓(xùn)練方法訓(xùn)練此網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)模型在CIFAR-10 和CIFAR-100 數(shù)據(jù)集上表現(xiàn)良好，對噪聲標(biāo)簽具有較強的魯棒性。CAI等［8］在其心電圖像分類模型中添加SE 模塊，為網(wǎng)絡(luò)引入注意力機制，提升了模型的分類性能。

本文針對心電圖特點，構(gòu)建基于拉普拉斯濾波器和SE 模塊的注意力機制模塊，將注意力機制應(yīng)用于心電圖特征提取，增強網(wǎng)絡(luò)關(guān)注心電圖高頻信號的能力，提取更有效的心電圖特征。

1.2 圖卷積網(wǎng)絡(luò)

圖卷積網(wǎng)絡(luò)（Graph Convolutional Network，GCN）最初被用于文本分類［14］，因其強大的結(jié)構(gòu)表示能力，近年來已在圖像［15-16］、文本［17］、非歐式數(shù)據(jù)［18］等領(lǐng)域中表現(xiàn)出優(yōu)越性能。GCN 的基本思想是通過在節(jié)點間傳遞信息來更新節(jié)點表示，與標(biāo)準(zhǔn)卷積不同，GCN 的目標(biāo)是學(xué)習(xí)圖g上的函數(shù)f(·，·)，g以特征描述Hl∈RN×d和矩陣A∈RN×N為輸入，更新節(jié)點特征為Hl+1∈RN×d′，每一個GCN 層都可以表示為一個非線性函數(shù)，如式（1）所示：

通過卷積運算，f(·，·)可以表示為式（2）所示：

其中：Wl∈Rd×d′為學(xué)習(xí)變化矩陣為歸一化的相關(guān)矩陣A；h(·)為非線性運算，GCN 以此對節(jié)點間復(fù)雜的相互關(guān)系進行構(gòu)建和學(xué)習(xí)。由式（1）和式（2）可知，與CNN 不同，GCN 在得到節(jié)點表示時，關(guān)注圖中的全局信息和鄰域節(jié)點信息，GCN 通過對節(jié)點間關(guān)系進行構(gòu)建、學(xué)習(xí)得到節(jié)點的輸出表示。

根據(jù)圖卷積的定義，GCN 可分為光譜法和空間法?；诠庾V的GCN［19-21］一般指基于圖傅里葉變換（Graph Fourier Transform）的卷積，而基于空間的GCN［17，22］是直接對圖節(jié)點及其鄰域節(jié)點進行人工定義的卷積。在應(yīng)用方面，GCN 可以同時處理轉(zhuǎn)換設(shè)置［20-21］和歸納設(shè)置［17，22］問題。在轉(zhuǎn)換設(shè)置中，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)是同一固定圖中的節(jié)點，而在歸納設(shè)置中，模型需要跨不同的圖進行推理。

本文將擁有強大結(jié)構(gòu)表示能力的GCN 與CNN網(wǎng)絡(luò)相結(jié)合，改善單一卷積神經(jīng)網(wǎng)絡(luò)受感受野的限制和權(quán)重共享的影響，解決無法充分利用全局信息的問題，有效利用特征空間中的全局信息和鄰域信息。

2 本文網(wǎng)絡(luò)結(jié)構(gòu)

心電圖數(shù)據(jù)首先經(jīng)過數(shù)據(jù)加載模塊，該模塊使用wfdb 庫讀取心電圖數(shù)據(jù)，得到預(yù)處理后的數(shù)據(jù)X∈RN×C×L，其中：N為訓(xùn)練集樣本總數(shù)；C為通道數(shù)；L為時序信號長度，將其作為MLECG-AGCN 的輸入。

MLECG-AGCN 由兩部分網(wǎng)絡(luò)組成：用于心電圖特征提取的基于注意力機制的CNN 網(wǎng)絡(luò)（以下簡稱注意力機制CNN）；用于多標(biāo)簽分類的自適應(yīng)GCN。MLECG-AGCN 網(wǎng)絡(luò)流程如圖1 所示。

圖1 MLECG-AGCN 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 MLECG-AGCN network structure

圖1（b）為本文設(shè)計的注意力機制CNN 網(wǎng)絡(luò)，用來提取心電圖特征。該網(wǎng)絡(luò)結(jié)構(gòu)包含2 個分支，一個分支是心電圖基本特征提取模塊（圖1（b）左側(cè)分支），用于提取心電圖基本特征；另一個分支為注意力機制模塊（圖1（b）右側(cè)分支），用于增強心電圖高層特征。數(shù)據(jù)X經(jīng)過圖1（b）輸出信息增強的特征Xout∈，作為圖1（c）的輸入。

圖1（c）為自適應(yīng)GCN 網(wǎng)絡(luò)，用來構(gòu)建、提取樣本上下文信息特征并應(yīng)用于分類。其中的節(jié)點為每個心電圖樣本經(jīng)圖1（b）后提取的特征向量，圖的構(gòu)建使用轉(zhuǎn)換設(shè)置，即數(shù)據(jù)集中訓(xùn)練集、測試集樣本均構(gòu)建在同一圖Gin中，通過掩碼進行劃分。圖Gin經(jīng)過自適應(yīng)GCN，輸出包含樣本上下文信息的特征Zout∈RN×D（D為類別總數(shù)），最后經(jīng)過Sigmoid 完成分類。

MLECG-AGCN 模型的總體設(shè)計思路是，首先通過基于拉普拉斯濾波器設(shè)計的注意力機制CNN，增強對心電圖高頻信號的利用率，提高網(wǎng)絡(luò)的表征能力。然后，自適應(yīng)圖卷積模塊采用圖的形式對樣本間的相互依賴關(guān)系進行建模，這是一種在特征空間中捕獲拓?fù)浣Y(jié)構(gòu)的靈活方法。在模型結(jié)構(gòu)層面，MLECG-AGCN 模型將各心電圖樣本經(jīng)注意力機制CNN 提取的特征作為節(jié)點組織成圖，使用自適應(yīng)圖卷積顯式地建模樣本依賴關(guān)系，通過GCN 中自適應(yīng)更新的鄰接矩陣，吸收鄰域中相關(guān)節(jié)點的信息，并對節(jié)點特征進行更新。自適應(yīng)圖卷積網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)得到各樣本的分類器，這些分類器能更有效地利用全局信息和特征空間鄰域樣本信息，并可直接應(yīng)用于心電圖特征進行分類，提高分類準(zhǔn)確率。

2.1 心電圖基本特征提取模塊

心電圖基本特征提取模塊的結(jié)構(gòu)如圖1 所示（圖1（b）左側(cè)分支），首先，輸入X經(jīng)過一維卷積、一維批量歸一化（Batch Normalization，BN），非線性激活函數(shù)激活和池化層池化輸出淺層特征X1∈后，X1經(jīng)過堆疊特別設(shè)計的殘差單元［23］，輸出高層特征X2∈，殘差單元結(jié)構(gòu)如圖2 所示，然后，在其中使用深度可分離卷積［24］代替常規(guī)卷積，降低參數(shù)量，并結(jié)合非線性激活函數(shù)層增強模型非線性表達能力。最后，X2經(jīng)維度展平操作得到輸出Xfeature∈。

圖2 殘差單元結(jié)構(gòu)Fig.2 Structure of residual unit

2.2 注意力機制模塊

在心電圖中，大多數(shù)疾病均能通過其中的高頻信號顯示。這部分波形相較于其余部分有著波形突變性強的特征，而拉普拉斯濾波器的特點是可以突出圖像中強度發(fā)生快速變化的區(qū)域。

基于上述特點，本文構(gòu)建如圖1 所示的注意力機制模塊（圖1（a）右側(cè)分支），網(wǎng)絡(luò)輸入為經(jīng)過預(yù)處理的心電圖X∈RN×C×L，第1層為拉普拉斯濾波器層，對X中波形突變性較強的部分進行增強，得到更關(guān)注心電圖高頻信號的輸出特征Y∈RN×C×L。拉普拉斯濾波器層使用一維高斯拉普拉斯濾波器（Laplacian of Gaussian，LoG），先利用一維高斯平滑濾波對輸入降噪，再使用一維拉普拉斯算子的離散卷積核［1，-2，1］對降噪后的心電圖進行濾波操作，得到輸出特征Y。Y經(jīng)過一維卷積層、一維BN 層、非線性激活函數(shù)層和池化層輸出淺層特征Y1∈。Y1經(jīng)過堆疊的注意力機制殘差單元得到更高層特征Y2∈，注意力機制殘差單元結(jié)構(gòu)如圖2（b）中RES Attention Module 所示，其中SE模塊通過學(xué)習(xí)的方式自動獲取各通道重要程度，以此篩選網(wǎng)絡(luò)對通道的注意力。特征Y2經(jīng)池化層池化和維度展平后，得到注意力機制模塊的輸出Yatt∈RN×d′。Yatt與Xfeature拼接得到最終輸出特征Xout∈。

大多數(shù)心臟疾病與心電圖中高頻信號相關(guān)，而傳統(tǒng)CNN 對高頻信息利用不充分。因此，注意力機制模塊使用拉普拉斯濾波器，突出心電圖中強度發(fā)生快速變化的區(qū)域，得到增強心電圖高頻信號的特征，再通過堆疊特別設(shè)計的RES Attention Module 對其進行高層特征提取，以此實現(xiàn)對心電圖高頻信號的注意力增強，并得到增強后的心電圖高層特征。注意力機制CNN 網(wǎng)絡(luò)通過級聯(lián)操作拼接增強心電圖高層特征和心電圖基本特征，全面保留了信息增強后的心電圖高層特征和心電圖提取的基本特征，并將拼接后特征作為后續(xù)模型的輸入，有效利用了先驗信息，增加了提取特征的信息量。

2.3 自適應(yīng)GCN 網(wǎng)絡(luò)

自適應(yīng)GCN 網(wǎng)絡(luò)以圖Gin為輸入，其包含初始節(jié)點特征矩陣Xout∈RN×d（N為樣本總數(shù)，d為樣本特征向量的維度）和初始鄰接矩陣A∈RN×N，參數(shù)可更新。Gin的初始化流程如圖3 所示。首先計算并記錄節(jié)點特征向量間的歐式距離dist(X，Y)=，之后新建鄰接矩陣A∈RN×N，根據(jù)KNN 算法尋找各節(jié)點的鄰域節(jié)點（如圖3（b）所示），在矩陣A中進行記錄，各節(jié)點對應(yīng)行中的鄰域節(jié)點位置設(shè)置值為1。最后遍歷各節(jié)點，完成圖Gin的初始化。

圖3 圖初始化流程Fig.3 Initialization procedure of graph

自適應(yīng)GCN 網(wǎng)絡(luò)結(jié)構(gòu)如圖1（c）所示，第1 層為圖卷積層，計算式如（3）所示：

其中：G=g(Xout，A)表示大小為N×N的聚合矩陣，每行之和為1，g(·)是Xout和A的一個函數(shù)；操作符“∥”表示沿著特征維度進行拼接；W為權(quán)重矩陣，維度為2d×d1；σ(·)為非線性激活函數(shù)。

圖卷積層運算主要包括兩步。第1 步為Xout與G相乘，對節(jié)點鄰域節(jié)點的信息進行聚合；然后輸入節(jié)點特征Xout與鄰域聚合信息在特征維度上進行拼接。第2 步為對融合特征通過一組線性濾波器進行轉(zhuǎn)換，其參數(shù)為可學(xué)習(xí)的權(quán)重矩陣W。經(jīng)圖卷積層，輸出圖G1，包含變換后的節(jié)點特征矩陣Ζ1∈（d1為輸出特征維度）和鄰接矩陣A1∈。第2 層為非線性激活函數(shù)層，Z1經(jīng)激活輸出Z2∈。第3 層為圖卷積層，以G1為輸入，包含Z2和A1，經(jīng)圖卷積層，輸出節(jié)點高層特征矩陣Z3∈和更新后鄰接矩陣A2∈RN×N。Z3經(jīng)過ReLU 非線性函數(shù)激活層、線性等維映射層和PReLU非線性激活函數(shù)層，線性分類器層輸出Zout∈RN×D（D為類別總數(shù)），最后經(jīng)過Sigmoid 完成分類。

與標(biāo)準(zhǔn)GCN 不同，本文的自適應(yīng)GCN 模塊將鄰接矩陣A設(shè)置為參數(shù)自適應(yīng)更新，能夠自適應(yīng)地調(diào)整鄰域節(jié)點的權(quán)重，在多次迭代中效果較好。

自適應(yīng)GCN 模塊通過基于GCN 的映射函數(shù)從輸入Gin中學(xué)習(xí)相互依賴的對象分類器Zout∈RN×D，其中D表示類別總量；N表示樣本總數(shù)?；贕CN的映射函數(shù)在構(gòu)建中通過級聯(lián)操作拼接輸入節(jié)點特征信息和鄰域節(jié)點聚合信息，有效利用了節(jié)點特征空間的鄰域樣本信息，又不丟失節(jié)點自身信息。GCN 網(wǎng)絡(luò)通過每一個GCN 層更新節(jié)點狀態(tài)，每一個節(jié)點對應(yīng)一個樣本的分類器，經(jīng)過兩個堆疊的GCN層后，最終節(jié)點的特征向量長度達到總類別數(shù)D，再通過sigmoid 即可完成分類。

2.4 損失函數(shù)

本文采用加權(quán)的二元交叉熵函數(shù)作為損失函數(shù)，其表達式如下：

其中：x表示預(yù)測值；y為真實標(biāo)簽；σ(·)表示Sigmoid激活函數(shù)；c表示類別總數(shù)，此處設(shè)置為44；N表示每一個batch 樣本數(shù)；pc表示各類別的權(quán)重系數(shù)；w為各樣本權(quán)重，實驗中設(shè)置為1。

pc的定義如式（6）所示：

其中：num（c）表示類別c的樣本總數(shù)，各類別對應(yīng)的權(quán)重系數(shù)與其數(shù)量成反比，以此提高小樣本類預(yù)測時對損失函數(shù)的影響，解決因數(shù)據(jù)集分布不均勻可能導(dǎo)致的分類偏差。

3 實驗結(jié)果與分析

3.1 數(shù)據(jù)集與預(yù)處理

本文選用PTB-XL 數(shù)據(jù)集［25］進行實驗，PTB-XL數(shù)據(jù)集是一個大型心電圖數(shù)據(jù)集，包含來自18 885名患者長度為10 s 的21 837 個臨床12 導(dǎo)聯(lián)心電圖。PTB-XL 數(shù)據(jù)庫的采樣頻率為500 Hz。經(jīng)數(shù)據(jù)加載，得到形如X∈RN×C×L的原始心電圖數(shù)據(jù)，其中：N為心電圖數(shù)據(jù)集樣本總數(shù)；C為通道數(shù)；L為單個樣本單導(dǎo)聯(lián)的時序信號值長度。

PTB-XL 數(shù)據(jù)集針對診斷類標(biāo)簽給出了超類-子類-具體類的層次結(jié)構(gòu)，其中超類包含NORM（正常心電圖）、CD（傳導(dǎo)干擾）、MI（心肌梗塞）、HYP（肥大）、STTC（ST/T 段改變）。本文針對樣本的診斷類標(biāo)簽具體類別進行多標(biāo)簽分類，將所研究問題轉(zhuǎn)化為一個44 類多標(biāo)簽分類問題，表1 給出了其中4 個樣例類的詳細(xì)說明，包括該類標(biāo)簽名、該類標(biāo)簽的詳細(xì)描述、其在數(shù)據(jù)集中的樣本數(shù)以及所屬超類。

表1 樣例類詳細(xì)說明Table 1 Sample class details

本文采用PTB-XL 數(shù)據(jù)集推薦的訓(xùn)練集和測試集進行實驗。其中訓(xùn)練集數(shù)據(jù)為19 267 條，測試集數(shù)據(jù)2 163 條，推薦的測試集數(shù)據(jù)擁有高質(zhì)量的標(biāo)簽且數(shù)據(jù)分布與訓(xùn)練集數(shù)據(jù)類似。

3.2 實驗環(huán)境

設(shè)備：CPU 使用的 是4 核32 GB 內(nèi)存，GPU 使用Tesla-V100-SXM-32 GB×1。環(huán)境：Pytorch1.7.1+cuda10.0。

3.3 對比模型

本文分別基于下列基準(zhǔn)模型進行實驗對比：

1）ResNet18［23］：ReseNet18 是一個18 層的殘差結(jié)構(gòu)CNN，在本實驗中使用一維卷積代替二維卷積，對ResNet18 進行了微調(diào)。

2）ResNet101［23］：ResNet101 是一個101 層的殘差結(jié)構(gòu)深度CNN，對原網(wǎng)絡(luò)結(jié)構(gòu)使用一維卷積進行微調(diào)。

3）Multi-ECGNet［8］：以殘差神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，結(jié)合深度可分離卷積、SE 模塊構(gòu)建殘差塊的CNN 網(wǎng)絡(luò)。

4）XceptionNet［24］：XceptionNet 是以Inception V3為基礎(chǔ)，使用深度可分離卷積改進的CNN，使用一維卷積對原網(wǎng)絡(luò)結(jié)構(gòu)進行微調(diào)。

5）InceptionNet［26］：InceptionNet 是由多個大小卷積核提取圖像不同尺度信息并進行融合的CNN。一維卷積進行微調(diào)。

6）注意力機制CNN+線性分類層：使用本文設(shè)計的注意力機制CNN 網(wǎng)絡(luò)提取特征，并結(jié)合線性分類層完成分類的網(wǎng)絡(luò)。

7）注意力機制CNN+非自適應(yīng)GCN：使用本文設(shè)計的注意力機制CNN 網(wǎng)絡(luò)提取特征，并結(jié)合非自適應(yīng)GCN 完成分類的網(wǎng)絡(luò)。

3.4 評價指標(biāo)

本文所針對的分類任務(wù)為多標(biāo)簽分類任務(wù)，參考現(xiàn)有心電圖多標(biāo)簽分類研究所使用指標(biāo)［9，27］，本文選擇宏平均受試者工作特征線下面積值（Area Under the Receiver Operating Characteristic Curve，AUROC）作為主評價指標(biāo)。另外，使用3 種常見的多標(biāo)簽分類評價指標(biāo)［28-29］作為副評價指標(biāo)，包括標(biāo)簽集排序損失（Label Ranking Loss，RL）［30］，最大概率預(yù)測標(biāo)簽錯誤率（OE）［31］，全覆蓋偏差（Coverage Error，Cov）［28］。其中AUROC 值越高代表模型該指標(biāo)越好，RL、OE、Cov 值越低代表模型該指標(biāo)越好。

3.5 實驗結(jié)果

圖4所示為MLECG-AGCN模型各類別的AUROC值。如圖4 所示，MLECG-AGCN 模型在INJIL、3AVB等樣本數(shù)量較小的類別上均取得了大于0.99的AUROC值，在NORM、IMI 等樣本數(shù)量較大的類別上分別取得了0.946、0.935的AUROC值，這從側(cè)面驗證了本文所用損失函數(shù)的合理性。本文模型在LAO/LAE、IVCD 等個別類上表現(xiàn)不佳，這可能是由于該類樣本數(shù)量過少，或其在高頻心電圖中與其他疾病相似度過高等原因?qū)е?，但總體來說，MLECG-AGCN 模型在絕大多數(shù)類別的分類中表現(xiàn)較好。

圖4 MLECG-AGCN 模型的各類別AUROC值Fig.4 AUROC value for each class of MLECG-AGCN model

自適應(yīng)圖卷積網(wǎng)絡(luò)測試集上的AUROC 值及其他評價指標(biāo)值，以及訓(xùn)練集及測試集損失隨訓(xùn)練輪數(shù)變化如表2 所示。不同于CNN 模型的訓(xùn)練方式，自適應(yīng)圖卷積網(wǎng)絡(luò)在訓(xùn)練時，需要構(gòu)建原始圖，以原始圖為輸入進行訓(xùn)練。自適應(yīng)圖卷積網(wǎng)絡(luò)每一個epoch 只對模型進行一次更新，因此需要更多的迭代輪數(shù)以使loss收斂。本文設(shè)置epoch 為4 000 輪，由表2 可知，MLECGAGCN 模型在數(shù)據(jù)訓(xùn)練開始后快速收斂，且并未欠擬合或過擬合。在初始20～50 輪迭代中，AUROC 值從0.661 快速提升至0.684；經(jīng)500 輪迭代后，AUROC 值提升至0.870，在500 輪迭代前模型尚未穩(wěn)定，AUROC 值的提升較快。經(jīng)2 000輪迭代后，AUROC值達到0.934，已經(jīng)接近ResNet101 基準(zhǔn)模型的最高值。經(jīng)過4 000 輪迭代后，AUROC 值為0.941，訓(xùn)練中測試集AUROC 值最高值達到0.943，在這部分的迭代中，模型逐漸穩(wěn)定，AUROC 值緩慢提升。

表2 自適應(yīng)圖卷積網(wǎng)絡(luò)的實驗結(jié)果Table 2 Experimental results of adaptive graph convolutional network

表3 所示為不同模型在PTB-XL 數(shù)據(jù)集下，使用采樣頻率為500 Hz 心電圖數(shù)據(jù)進行對比實驗的結(jié)果，由表3 可知，ResNet101模型相較于ResNet18 模型的分類準(zhǔn)確率更高，AUROC 值提升了0.011。為了驗證深度可分離卷積模型的有效性及其效果，將XceptionNet 與IncetionNet 模型進行對比，發(fā)現(xiàn)前者的AUROC 值提高了0.053。此外，將本文設(shè)計的注意力機制CNN+線性分類層網(wǎng)絡(luò)與Multi-ECGNet 對比，結(jié)果發(fā)現(xiàn)，結(jié)合了本文注意力機制和深度可分離卷積的注意力機制CNN 網(wǎng)絡(luò)取得了更好的結(jié)果，AUROC 值達到0.941，這驗證了本文設(shè)計的注意力機制CNN 在提高模型性能方面具有一定作用。MLECG-AGCN 模型與注意力機制CNN+非自適應(yīng)GCN 相比，使用自適應(yīng)GCN 的MLECG-AGCN 模型取得了更好的效果，這驗證了鄰接矩陣參數(shù)自適應(yīng)更新在一定程度上能提高模型性能。MLECGAGCN 模型與注意力機制CNN+線性分類層相比，AUROC 值提高0.002，達到最高的0.943，這說明MLECG-AGCN 模型中自適應(yīng)GCN 模塊對提高模型性能具有重要作用。

表3 不同模型在PTB-XL 數(shù)據(jù)集（500 Hz）下的實驗結(jié)果對比Table 3 Comparison of experimental results of different models in PTB-XL dataset（500 Hz）

為更全面地驗證MLECG-AGCN模型對不同類型心電圖數(shù)據(jù)的多標(biāo)簽分類能力，本文還使用PTB-XL數(shù)據(jù)集中采樣頻率為100 Hz的心電圖數(shù)據(jù)對各模型進行了對比實驗，結(jié)果如表4 所示。由表4 可知，MLECGAGCN模型取得了最高的AUROC值0.930，同時其他指標(biāo)值也略高于對比模型。實驗結(jié)果表明，MLECG-AGCN模型通過圖卷積網(wǎng)絡(luò)可以更有效地利用特征空間中的全局信息和鄰域信息，提高分類準(zhǔn)確率。

表4 不同模型在PTB-XL 數(shù)據(jù)集（100 Hz）下的實驗結(jié)果對比Table 4 Comparison of experimental results of different models in PTB-XL dataset（100 Hz）

綜合上述實驗結(jié)果，與Multi-ECGNet 模型［8］，以及以ResNet18、ResNet101、Xception 等為代表 的基準(zhǔn)模型相比，MLECG-AGCN 模型取得了最高的主評價指標(biāo)值，達0.943 639。同時，本文提出的注意力機制CNN 結(jié)合線性分類層在Cov 評價指標(biāo)上取得了最高值，其他指標(biāo)值略低于MLECG-AGCN 模型，驗證了本文注意力機制的優(yōu)越性。

4 結(jié)束語

本文提出一種基于自適應(yīng)圖卷積網(wǎng)絡(luò)的心電圖多標(biāo)簽分類模型MLECG-AGCN，通過基于拉普拉斯濾波器設(shè)計的注意力機制CNN，增強對心電圖高頻信號的利用率，提高網(wǎng)絡(luò)的表征能力。使用自適應(yīng)圖卷積，有效利用全局信息和特征空間鄰域樣本信息進行樣本分類，提高分類準(zhǔn)確率。此外，本文設(shè)計并使用適用于多標(biāo)簽分類的損失計算方法和評價指標(biāo)，從多標(biāo)簽角度考慮問題，從而高效利用高頻信號。實驗結(jié)果表明，注意力機制CNN 與自適應(yīng)圖卷積網(wǎng)絡(luò)的結(jié)合有效提升了心電圖分類精度，MLECG-AGCN 模型能適用于心電圖分類工作。下一步將使自適應(yīng)圖卷積網(wǎng)絡(luò)與CNN 網(wǎng)絡(luò)進行端到端結(jié)合，提高心電圖多標(biāo)簽分類準(zhǔn)確率。