利用图神经网络与结构化状态空间模型建模多变量生物信号
机器学习
2023-05-02 v3 人工智能
信号处理
摘要
多变量生物信号在许多医学领域中普遍存在，例如脑电图、多导睡眠图和心电图。由于（1）长距离时间依赖性和（2）电极间复杂的空间相关性，对多变量生物信号中的时空依赖关系进行建模具有挑战性。为应对这些挑战，我们提出将多变量生物信号表示为时变图，并引入GraphS4mer，一种通用的图神经网络（GNN）架构，通过建模生物信号中的时空依赖关系来提升生物信号分类任务的性能。具体而言，（1）我们利用结构化状态空间架构（一种最先进的深度序列模型）来捕获生物信号中的长距离时间依赖性；（2）我们在GraphS4mer中提出一个图结构学习层，以学习数据中动态演化的图结构。我们在三个不同的生物信号分类任务上评估所提模型，结果表明GraphS4mer持续优于现有模型，包括（1）从脑电图信号中检测癫痫发作，以AUROC高出先前带自监督预训练的GNN 3.1分的成绩优于之；（2）从多导睡眠图信号中进行睡眠分期，与现有睡眠分期模型相比宏F1分数提升4.1分；（3）12导联心电图分类，以宏F1分数高出先前最先进模型2.7分优于之。
引用
@article{arxiv.2211.11176,
title = {Modeling Multivariate Biosignals With Graph Neural Networks and Structured State Space Models},
author = {Siyi Tang and Jared A. Dunnmon and Liangqiong Qu and Khaled K. Saab and Tina Baykaner and Christopher Lee-Messer and Daniel L. Rubin},
journal= {arXiv preprint arXiv:2211.11176},
year = {2023}
}
备注
Published as a conference paper at CHIL 2023