一種基于圖神經網絡的心律失常檢測系統 技術領域 [0001] 本申請涉及醫(yī)療大數據技術領域，特別涉及一種基于圖神經網絡的心律失常檢測系統。 背景技術 [0002] 心電圖（ECG，Electrocardiogram）是一種關鍵的生物信號，記錄了心臟的電活動，這種廉價且無創(chuàng)的檢測可以提供豐富的信息，對于診斷和監(jiān)測心臟疾病具有重要意義。 [0003] 傳統的ECG診斷主要依賴訓練有素的臨床專家進行人工分析和主觀判斷，過程繁瑣，耗時費力，且受限于醫(yī)學專家知識和經驗，極易發(fā)生誤診或漏診。近年來，隨著智能醫(yī)療的快速發(fā)展，基于心電圖的心律失常智能檢測可以輔助醫(yī)生進行心電診斷。目前在這方面的研究成果有限，如何提高心律失常自動檢測的準確性是問題的關鍵。在傳統研究中，許多學者利用機器學習方法，如支持向量機、決策樹等對ECG信號進行研究，但這類方法需要研究者具備一定的醫(yī)學知識，提取有用的特征輸入模型進行訓練。同樣深度學習的方法也應用于ECG方面的研究，國內外學者將心電數據輸入到卷積神經網絡（CNN，Convolutional?Neural?Network）和循環(huán)神經網絡（RNN，Recurrent?Neural?Network）等架構中，提取ECG信號中的特征，達到最終的研究目的。但這類研究方法往往將神經網絡視作一個黑盒，模型的可解釋性較差。 [0004] 在臨床實踐中，常用到12導聯心電圖，標準的12導聯心電圖是在體表放置10個電極，記錄心臟12個不同方向的去極化和復極化電流。對于多導聯研究，以往研究往往只是將多個導聯進行簡單相加，或者直接使用拼接而成的矩陣，沒有充分考慮多個導聯之間的關系。事實上，多導聯心電圖利用放置在胸部和肢體的電極產生電位差，從多個角度測量心臟的電活動。根據電極的空間位置，不同的導聯在生理上具有相對位置關系，因此，綜合考慮導聯內部的時間特征和導聯之間的空間特征對于心律失常的高效診斷是十分有必要的。 [0005] 為了克服無法捕獲ECG空間特征的限制，研究人員開始探索如何將圖神經網絡（GNN，Graph?Neural?Network）應用于ECG數據。GNN的優(yōu)勢在于其對復雜圖結構的建模能力，這正好與ECG數據的特點相符。ECG數據可以被視為時間序列數據，但同時也可以被轉化為圖，其中每個時間點或時間窗口可以作為圖的節(jié)點，節(jié)點之間的連接表示時間關系，這種圖結構有助于捕獲心臟信號之間的時序關系和局部模式，從而提高了對心臟事件的診斷敏感度和準確性。但直接將時間序列轉化為圖并不能很好地捕獲時間序列的多尺度特征，相反，圖的結構學習限制了感受野的大小，從而丟失了重要的時序特征。同樣，也可以構建多個導聯之間的圖，利用GNN的結構探索各個導聯之間的關系從而更加全面地進行空間特征的提取。但這些圖的構建一般基于預定義的圖結構，沒有有效的先驗知識來支撐圖的構建，無法動態(tài)捕捉導聯在不同時間步上的空間關系。與僅僅使用時間編碼器的傳統方法相比，這些工作有了一定的改進，開始考慮空間相關性。然而，他們獨立處理每個圖，忽略了在不同時間步上不同導聯之間的相關性。在心電特征提取網絡中，這種相關性至關重要，例如I導聯內出現P波消失現象，不僅會影響后續(xù)I導的波形情況，還會對II導、III導的波形產生影響。此外，在進行空間特征提取時，現有的方案大多采用的是扁平化的池化方案來減少節(jié)點，這會丟失導聯之間的結構化信息，無法充分捕獲ECG信號的時空信息，導致心律失常檢測的準確性差。 發(fā)明內容 [0006] 本申請?zhí)峁┝艘环N基于圖神經網絡的心律失常檢測系統，可以解決心律失常檢測的準確性差的問題。 [0007] 本申請實施例提供了一種基于圖神經網絡的心律失常檢測系統，該心律失常檢測系統包括： [0008] 獲取模塊，用于獲取多個心電導聯數據；心電導聯數據包括多個時間段的心電信號，多個心電導聯數據對應檢測對象的多個導聯位置； [0009] 嵌入模塊，用于利用時間特征提取編碼器獲取每個心電導聯數據在每個時間段的心電信號的信號特征，并將所有信號特征嵌入，得到拓撲圖；拓撲圖的多個節(jié)點與多個信號特征一一對應，兩個節(jié)點之間的邊為對應的兩個信號特征之間的相關性； [0010] 構建模塊，用于構建時間衰減矩陣和空間知識引導矩陣，將時間衰減矩陣、空間知識引導矩陣和拓撲圖的鄰接矩陣相乘，得到拓撲圖的相關鄰接矩陣；時間衰減矩陣用于描述多個時間段之間的相關性，空間知識引導矩陣用于描述多個導聯位置之間的空間關系； [0011] 更新模塊，用于利用拓撲圖的相關鄰接矩陣對拓撲圖的邊進行更新，得到最終拓撲圖，并利用圖神經網絡對最終拓撲圖進行特征提取，得到最終拓撲圖的整體特征表示； [0012] 心律失常檢測模塊，用于基于整體特征表示進行心律失常檢測，得到心律失常檢測結果。

1.一種基于圖神經網絡的心律失常檢測系統，其特征在于，包括： 獲取模塊，用于獲取多個心電導聯數據；所述心電導聯數據包括多個時間段的心電信號，多個心電導聯數據對應檢測對象的多個導聯位置； 嵌入模塊，用于利用時間特征提取編碼器獲取每個心電導聯數據在每個時間段的心電信號的信號特征，并將所有信號特征嵌入，得到拓撲圖；所述拓撲圖的多個節(jié)點與多個信號特征一一對應，兩個節(jié)點之間的邊為對應的兩個信號特征之間的相關性； 構建模塊，用于構建時間衰減矩陣和空間知識引導矩陣，將所述時間衰減矩陣、所述空間知識引導矩陣和所述拓撲圖的鄰接矩陣相乘，得到所述拓撲圖的相關鄰接矩陣；所述時間衰減矩陣用于描述所述多個時間段之間的相關性，所述空間知識引導矩陣用于描述所述多個導聯位置之間的空間關系； 更新模塊，用于利用所述拓撲圖的相關鄰接矩陣對所述拓撲圖的邊進行更新，得到最終拓撲圖，并利用圖神經網絡對所述最終拓撲圖進行特征提取，得到所述最終拓撲圖的整體特征表示； 心律失常檢測模塊，用于基于所述整體特征表示進行心律失常檢測，得到心律失常檢測結果。 2.根據權利要求1所述的心律失常檢測系統，其特征在于，所述利用時間特征提取編碼器獲取每個心電導聯數據在每個時間段的心電信號的信號特征，包括： 利用時間特征提取編碼器獲取每個心電導聯數據在每個時間段的心電信號的時間編碼信息； 獲取每個時間段的位置編碼，并將每個時間編碼信息與對應的時間段的位置編碼相加，得到每個心電導聯數據在每個時間段的信號特征。 3.根據權利要求2所述的心律失常檢測系統，其特征在于，所述獲取每個時間段的位置編碼，包括： 通過公式： ； 計算第 個時間段中第 個心電信號的位置向量 ； 其中， 表示頻率參數， 表示索引參數， ， 表示時間段的數量， ， 表示時間段內心電信號的數量； 將第 個時間段對應的位置向量整合為一個集合，得到所述第 個時間段的位置編碼。 4.根據權利要求3所述的心律失常檢測系統，其特征在于，所述將每個時間編碼信息與對應的時間段的位置編碼相加，得到每個心電導聯數據在每個時間段的信號特征，包括： 通過公式： ； 計算第 個心電導聯數據在第 個時間段的信號特征 ； 其中， 表示所述第 個心電導聯數據在第 個時間段的時間編碼信息， ， 表示心電導聯數據的數量。