利用可见性图增强图卷积网络的心律失常分类
信号处理
2024-12-05 v2 计算机视觉与模式识别
机器学习
摘要
心律失常可通过心电图(ECG)检测，构成重大健康风险，凸显了准确高效的自动检测技术的必要性。尽管近期基于图的方法在增强心律失常分类方面展现出潜力，但挑战在于如何将ECG信号有效地表示为图。本研究探讨了在ANSI/AAMI标准下，将可见性图(VG)和矢量可见性图(VVG)表示与图卷积网络相结合用于心律失常分类，以确保可重复性并与其他技术进行公平比较。通过对MIT-BIH数据集进行大量实验，我们评估了各种GCN架构和预处理参数。我们的研究结果表明，VG和VVG映射使GCN能够直接从原始ECG信号对心律失常进行分类，而无需预处理或去噪。值得注意的是，VG提供了卓越的计算效率，而VVG通过利用额外的导联特征提供了增强的分类性能。所提出的方法在多项指标上优于基线方法，尽管在分类室上性异位搏动(S)类别时仍存在挑战，特别是在患者间范式下。
引用
@article{arxiv.2404.15367,
title = {Leveraging Visibility Graphs for Enhanced Arrhythmia Classification with Graph Convolutional Networks},
author = {Rafael F. Oliveira and Gladston J. P. Moreira and Vander L. S. Freitas and Eduardo J. S. Luz},
journal= {arXiv preprint arXiv:2404.15367},
year = {2024}
}