嵌入导联上下文编码的图卷积神经网络心律失常分类模型

来源：计算机工程与应用杂志2025年第3期北京时间：

作者：喻云虎, 杨湘, 陈艳红

单位：1.武汉科技大学 计算机科学与技术学院，武汉 430065 ；2.国家新闻出版署 富媒体数字出版内容组织与知识服务重点实验室，北京 100038；3.武汉亚洲心脏病医院 心血管内科，武汉 430022

摘要：心律失常对患者健康造成严重威胁，其通过12导联心电图（electrocardiogram，ECG）的自动分类在临床上具有重要意义。现有研究偏重两两导联之间的相关性，忽视多导联上下文及频域特征，这导致了分析的局限性，且易受噪声干扰，影响分类准确性。该研究提出了嵌入导联上下文编码的图卷积神经网络心律失常分类模型（lead context encoding embedded graph convolutional neural network model for arrhythmia classification，LCEE-GCN）。该模型利用短时傅里叶变换获取12导联心电信号的功率谱密度（power spectral density，PSD），并运用ECG信号处理算法提取R-R间期等时域特征，通过导联上下文编码获得导联间更广泛的相关性信息，并结合PSD与时域特征构建动态图结构，利用图卷积神经网络增强模型对导联间关系的学习与表示能力。在查普曼数据集上进行的实验表明，模型达到了99.38%的准确率，超过了现有先进方法。这一创新有望提高心律失常诊断的效率和准确性。

关键词：心律失常分类,12导联心电图,图卷积神经网络,功率谱密度,导联上下文编码