用于心脏轨迹重建、外推与分类的时空图神经过程
机器学习
2025-09-17 v1 系统与控制
系统与控制
定量方法
摘要
我们提出了一个概率框架，用于从稀疏观测中建模结构化时空动力学，重点关注心脏运动。我们的方法将神经常微分方程（Neural ODEs, NODEs）、图神经网络（Graph Neural Networks, GNNs）和神经过程整合到一个统一模型中，该模型能够捕捉不确定性、时间连续性和解剖结构。我们将动态系统表示为时空多重图，并使用GNN参数化的向量场对其潜在轨迹进行建模。给定节点和边级别的稀疏上下文观测，模型推断出潜在初始状态和控制变量的分布，从而能够实现轨迹的内插和外推。我们在三个合成动态系统（耦合摆、洛伦兹吸引子和仓本振荡器）和两个真实世界心脏影像数据集——ACDC（N=150）和UK Biobank（N=526）上验证了该方法，展示了其精确的重建、外推和疾病分类能力。该模型能精确重建轨迹，并从单个观测周期外推未来的心动周期。它在ACDC分类任务上取得了最先进的结果（准确率高达99%），并在检测UK Biobank受试者的心房颤动方面表现出有竞争力的性能（准确率高达67%）。这项工作引入了一种分析心脏运动的灵活方法，并为结构化生物医学时空时间序列数据中的图学习奠定了基础。
引用
@article{arxiv.2509.12953,
title = {Spatiotemporal graph neural process for reconstruction, extrapolation, and classification of cardiac trajectories},
author = {Jaume Banus and Augustin C. Ogier and Roger Hullin and Philippe Meyer and Ruud B. van Heeswijk and Jonas Richiardi},
journal= {arXiv preprint arXiv:2509.12953},
year = {2025}
}