基于导联拓扑与时空注意力的心电图智能异常检测方法

本技术的实施例涉及生物医学工程、人工智能医疗与图神经网络交叉领域，具体涉及基于导联拓扑与时空注意力的心电图智能异常检测方法。

背景技术：

1、心血管疾病是全球范围内致死率最高的疾病类别之一，心电图（ecg）作为无创、低成本的心脏电活动检测手段，在临床筛查、诊断及健康监测中具有不可替代的地位。标准的12导联心电信号通过在不同体表位置放置电极，从多个空间视角同步采集心脏的电活动信息，不同导联之间的空间关系（如同属于下壁、前壁或侧壁解剖学区域）蕴含着丰富的临床诊断先验知识。然而，传统的心电图诊断高度依赖心内科医生的视觉判读和手工测量，工作量大、效率低，且不同年资医生之间诊断一致性有限。

2、近年来，基于深度学习的心电图自动诊断技术取得了长足发展。现有技术方案主要包括以下几类：

3、（1）基于手工特征的机器学习方法，如通过小波变换提取rr（相邻r波）间期、qrs（q波、r波、s波波群）宽度、st（qrs波群的终点至t波起点）段偏移等形态学参数，再利用支持向量机（svm）或随机森林进行分类，此类方法依赖专家知识设计特征，特征工程复杂度高且泛化能力有限；

4、（2）基于卷积神经网络（cnn）的方法，将心电信号视为一维或多通道二维图像处理，能自动学习局部形态学特征，但标准cnn通常将所有导联混合处理，忽略了导联之间的解剖学空间拓扑关系，且缺乏对不同时间片段重要性的自适应判别能力；

5、（3）基于循环神经网络（rnn/lstm）的方法，将心电信号建模为时间序列以捕捉节律演变规律，但对细粒度空间形态特征（如特定导联的高电压、深s波、局部st-t改变）的表达能力有限；

6、（4）基于注意力机制的方法，通过赋予不同特征维度或时间步以差异化权重来提升关键信息的提取能力，但现有注意力设计多为单一维度（仅空间或仅时间），未能充分协同利用导联空间与时间两个维度的互补信息；

7、（5）基于多模块组合的复杂深度学习方法，虽然尝试同时利用局部形态、跨导联关系和时序上下文，但常采用简单拼接、直接相加或固定权重加和的融合方式，缺乏对增强分支注入强度的渐进式自适应控制，容易出现增强模块反而破坏基线判别能力的问题。

8、上述现有技术存在以下核心不足：

9、第一，导联间空间拓扑关系利用不充分。现有方法大多将所有12导联视为独立或无序的多通道输入，忽略了心脏解剖学中下壁（ii、iii、avf）、前壁（v1-v4）、侧壁（i、avl、v5、v6）等具有明确壁面对应关系的导联分组之间固有的功能关联与信息互补关系，导致模型缺乏利用跨导联空间上下文进行推理的能力。

10、第二，时空注意力协同机制仍不完善。通道注意力通常侧重“哪些导联或哪些通道更重要”，时态注意力通常侧重“哪个时刻更关键”，若缺少层次化、串联式设计与适度增强能力，则难以同时兼顾关键导联、关键时间段及局部峰值形态之间的协同作用。

11、第三，对特定类别，尤其是肥大（hyp）类，识别能力仍然不足。肥大诊断高度依赖特定导联组合的电压幅值、深s波/高r波关系、跨区域电压差及strain（劳损模式）样特征，单纯依靠端到端隐式学习容易导致该类样本召回率和精确率偏低。

12、第四，多模块融合策略粗糙。若增强分支缺乏可学习的残差门控，复杂模块（如gcn、attention、形态学辅助模块）的输出容易覆盖甚至破坏基础cnn特征，导致整体性能波动，尤其在类间分布不平衡时更为明显。

13、第五，训练与决策层优化不足。传统统一阈值0.5往往无法兼顾整体macro f1（宏平均f1分数）与关键少数类性能，尤其在多标签诊断任务中，若不对阈值进行全局协调优化，则容易出现某一少数类性能提升但整体准确率或其他关键类别性能明显下降的情况。

14、该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本技术的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本技术的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、本技术的一些实施例提出了基于导联拓扑与时空注意力的心电图智能异常检测方法、装置、计算机设备和计算机可读存储介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

3、第一方面，本技术的一些实施例提供了一种基于导联拓扑与时空注意力的心电图智能异常检测方法，该方法包括：对预先获取的每个初始心电图信号进行预处理以生成预处理心电图信号，得到预处理心电图信号集；基于预先确定的心电图异常检测模型包括的独立导联特征提取子模型，对上述预处理心电图信号集进行特征提取处理，得到心电图导联批次特征信息，其中，上述心电图异常检测模型还包括：空间拓扑图特征增强子模型、时空注意力瓶颈层、时序分析子模型和分类器；基于上述心电图异常检测模型包括的空间拓扑图特征增强子模型，对上述心电图导联批次特征信息进行增强处理，得到心电图增强批次特征信息；基于上述心电图异常检测模型包括的时空注意力瓶颈层，对上述心电图导联批次特征信息进行注意力提取处理，得到心电图注意力批次特征信息；基于上述心电图异常检测模型包括的时序分析子模型，对上述心电图导联批次特征信息和上述心电图注意力批次特征信息进行时序编码处理，得到心电图编码批次特征信息；基于上述心电图异常检测模型包括的分类器，对上述心电图编码批次特征信息进行分类处理，得到心电图异常类型信息集。

4、第二方面，本公开的一些实施例提供了一种基于导联拓扑与时空注意力的心电图智能异常检测装置，装置包括：预处理单元，被配置成对预先获取的每个初始心电图信号进行预处理以生成预处理心电图信号，得到预处理心电图信号集；特征提取单元，被配置成基于预先确定的心电图异常检测模型包括的独立导联特征提取子模型，对上述预处理心电图信号集进行特征提取处理，得到心电图导联批次特征信息，其中，上述心电图异常检测模型还包括：空间拓扑图特征增强子模型、时空注意力瓶颈层、时序分析子模型和分类器；增强单元，被配置成基于上述心电图异常检测模型包括的空间拓扑图特征增强子模型，对上述心电图导联批次特征信息进行增强处理，得到心电图增强批次特征信息；注意力提取单元，被配置成基于上述心电图异常检测模型包括的时空注意力瓶颈层，对上述心电图导联批次特征信息进行注意力提取处理，得到心电图注意力批次特征信息；时序编码单元，被配置成基于上述心电图异常检测模型包括的时序分析子模型，对上述心电图导联批次特征信息和上述心电图注意力批次特征信息进行时序编码处理，得到心电图编码批次特征信息；分类单元，被配置成基于上述心电图异常检测模型包括的分类器，对上述心电图编码批次特征信息进行分类处理，得到心电图异常类型信息集。

5、第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

6、第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

7、本技术的上述各个实施例具有如下有益效果：1.导联空间拓扑信息的显式建模。本发明将心脏临床解剖学区域分组知识以静态邻接矩阵骨架形式嵌入图卷积网络，对下壁（ii/iii/avf）、前壁（v1-v4）和侧壁（i/avl/v5/v6）等具有明确壁面对应关系的导联组进行显式的空间信息传播与特征增强，而avr（augmented vector right arm，加压单极肢体导联（右臂））作为方向相对独立的增强导联单独保留。该设计以临床先验为拓扑骨架，结合近恒等初始化与小残差门控，使gcn（graph convolutional network，中文译为图卷积网络）分支在训练早期近似于安全增强路径，降低了对基线特征的破坏风险。2.层次化时空注意力协同精炼。串联式“导联-特征联合注意力→时态注意力”瓶颈层实现了“先辨空间、再辨时间”的层次化特征精炼。导联-特征联合注意力通过沿时间维度的统计汇聚生成导联级特征权重，时态注意力则融合gmp（global max pooling，全局最大池化）与gap（globalaverage pooling，全局平均池化）的峰值-均值联合摘要经瓶颈映射生成时态门控，提高模型对高电压峰值、局灶性异常、关键st-t时段及节律变化模式的联合建模能力。门控重映射技术使注意力不仅能削弱无关特征，还能增强关键特征，相较于传统仅能抑制的注意力形式具有更强表达能力。3.心脏肥大类别的针对性增强。心脏肥大形态学适配器通过显式编码肥大相关导联先验、导联级高电压/深s波统计、跨区域电压差及经典肥大判据强度，在不替换主体网络结构的前提下，对hyp（hypertrophy，肥厚）类别进行定向增强。该模块可在导联汇聚、全局特征融合、hyp专属logit（逻辑值）校正及hyp专属决策层辅助监督四个层面提供辅助信息，有望提高肥大类别的精确率、召回率和f1表现。4.多层级可学习残差融合。全系统在gcn注入点、注意力注入点、预bi-lstm（bidirectional long short-term memory，双向长短期记忆网络）保底融合点、跨导联对比特征注入点、hyp特征注入点、全局特征融合点及决策层均部署可学习残差融合门控。所有门控均以较小初值启动，保证模型训练初期以稳定的cnn-bi-lstm基线为主，各增强模块在训练过程中逐步学习更优注入强度，从而实现“增强模块可带来增益，但不会在训练早期显著破坏基线性能”的安全设计目标。5.多标签场景下的决策稳定性增强。本发明不仅在训练阶段引入多标签损失、辅助监督和类别不平衡缓解策略，还在决策阶段采用验证集全局阈值搜索、关键类别保护约束、局部准确率优先细搜和测试时增强（tta）等策略，使模型能够在多标签场景下更稳健地平衡整体macrof1、关键少数类性能和部署稳定性。6.工程部署可行性较强。模型整体参数规模适中，输入输出流程清晰，预处理流水线以标准数字信号处理算法为主；gcn中使用的邻接矩阵规模小，attention（注意力）模块和形态学适配器均为轻量级增量结构。系统支持独立模型检查点保存、结果清单记录、测试图表导出和可视化分析，具备进一步导出为onnx（open neuralnetwork exchange，开放神经网络交换）格式并用于云端、边缘或临床工作站部署的工程可行性。