一种基于增强型超图卷积神经网络（Hypergraph CNN）并结合自适应焦点损失（Adaptive Focal Loss）的算法，用于自动心电图（ECG）心跳信号分类

摘要

深度学习技术在利用心电图（ECG）分析自动诊断心血管疾病（CVD）方面展现出了巨大潜力。然而，当前方法仍存在一些关键挑战：严重的类别不平衡、复杂的时间依赖性以及心搏间关系的建模不足，这些因素最终限制了其临床应用效果。本研究提出了一种新颖的混合深度学习框架，该框架结合了卷积神经网络（CNN）用于时域特征提取、基于k最近邻算法的超图构建（并利用余弦相似度来模拟心搏间依赖性），以及具有残差连接增强功能的超图神经网络（EHGNN）以实现稳健的分类。为了解决类别不平衡问题，采用了自适应类别加权的焦点损失（focal loss）机制。在评估过程中，我们的模型在两个基准数据集上进行了测试：MIT-BIH心律失常数据库和圣彼得堡心脏病技术研究所（INCART）的12导联心律失常数据库。在MITBIH数据集上，使用AAMI五类分类系统获得了98.66%的分类准确率；而在INCART数据库中，三类心律失常的检测准确率为95.46%。该模型在两个独立数据集上均表现出了稳定的性能，从而证明了其良好的泛化能力。这些结果证实，所提出的框架通过焦点损失和SMOTE有效解决了类别不平衡问题，通过基于CNN的特征提取解决了时间依赖性问题，并通过EHGNN处理了心搏间关系，展示了其在捕捉标准模型容易忽略的复杂心跳模式方面的巨大潜力，为临床诊断系统带来了新的可能性。