心电信号图神经网络论文分享（1）——MSAGFN多尺度双图融合
multi-scale adaptive graph fusion network（MSAGFN）
研究背景与动机
现有12导联心电图神经网络多基于二元图搭建导联关系建模框架，仅依靠两两导联之间的二元边刻画交互关系，同时采用监督学习完成疾病分类任务，存在三个核心缺陷：
- 二元边仅能建模导联两两关联，无法刻画临床必需的多导联同步高阶协同病变，且Top-K硬剪枝会直接删除低重要度导联，丢失辅助诊断信息。
- 仅单独构建生理拓扑图或者特征相似图，单一视角建模视角无法同时融合解剖先验和波形相似两类互补导联关联，时序特征仅依靠单尺度卷积提取，难以同步捕获局部波形与长周期节律信息。
作者提出了完整的多尺度自适应双图融合网络MASGFN，以单导联作为图节点，分别构造生理拓扑二元图，特征相似二元图，设计专属/共享双分支GNN分离提取两类图独有与公共导联关联表征，搭配ASPP多尺度空洞卷积提取心电长短时序特征，并引入一致性、差异性正则化约束优化双图表征分布，从局部多尺度波形、全局导联关联两层完整心电分类。
数据集与实验任务
- 数据集：使用PTB-XL大型12导联心电数据集，采样频率为100Hz，按照官方10折划分训练/验证/测试集
- 实验任务：12导联心电多标签监督分类，每条心电可同时患有多种心脏疾病，在训练的时候用的损失函数是二元交叉熵（BCE），评价指标：ROC-AUC，平均准确率，最大F1
| 超类缩写 | 疾病含义 | 样本数量 |
|---|---|---|
| NORM | 正常心电图 | 9528 |
| MI | 心肌梗死 | 5486 |
| STTC | ST/T波段异常改变 | 5250 |
| CD | 传导障碍 | 4907 |
| HYP | 心室肥大 | 2655 |
架构图与和核心方法
整体框架图分为两大板块，多尺度时序提取模块 ASPP-Res、双分支自适应图融合模块 AMGNN。完整流程分为三步：
- ASPP-Res残差块提取单导联多尺度心电时序特征
- 分别构建生理拓扑二元图，特征相似度二元图双图结构
- AMGNN多分支图网络解耦专属/公共导联关联表征，融合后完成心电多标签分类
下面对这三步流程进行详解：
- ASPP-Res 多尺度残差模块：基于图像领域 ASPP 结构改造为一维时序版本，采用 4 组不同膨胀率空洞卷积并行提取多尺度波形特征，搭配 MaxPool 降维、两层卷积与 1D-CBAM 注意力模块，最后通过 Mix 混合全局池化压缩特征维度；残差跳跃连接保留原始波形信息，CBAM 自动强化 QRS、ST 段关键波形通道与时序区间，同步捕捉局部小波形态与长周期全局节律，解决单尺度卷积特征提取能力不足的缺陷。
- 双图构建分支：以单根导联作为图节点，搭建两类互补关联图；生理拓扑图依托心脏解剖分区固定导联连接关系，引入临床先验约束；特征相似度图对 ASPP 输出导联高维嵌入做 K 近邻匹配，挖掘数据隐式波形相似关联，弥补单一视角建模丢失互补信息的问题。
- AMGNN 自适应多通道图网络：设计并行专属 GNN 与参数共享公共 GNN 分支实现表征解耦；专属 GNN 分别提取拓扑图、特征图独有的差异化导联关联，公共 GNN 学习两张图共享的通用心肌病变规律；引入 HSIC 希尔伯特施密特独立性损失最小化专属、公共分支信息重叠，实现特征解耦；搭配一致性约束对齐两组公共分支分布，最后采用自适应注意力机制动态融合三类图表征，缓解二元图仅能建模两两导联关联、Top-k 硬剪枝丢失次要导联诊断信息的缺陷；整体采用纯监督二元交叉熵损失完成 5 大类心血管疾病多标签分类任务。
补充：膨胀卷积靠在卷积核之间留出空隙，不增加权重参数就能扩大感受野，用来一次性提取心电短时局部、长时全局两种尺度特征。
实验结果与结论
在PTB-XL的四个子集上面所有指标均高于所有对比基线
在模型的复杂度上面，作者提出的模型参数量适中，但是在推理时间上面均高于其他基线模型（复杂图转化需要更多时间）。
局限性与发展
优势：
- 多尺度特征完备：搭建分层多尺度提取分支，同步捕获心电局部波形细节与长周期节律特征，兼顾微观 ST-T 波段、宏观心律两类临床诊断信息；
- 导联建模适配性强：自适应多通道图网络动态学习 12 导联病理关联，区别于传统人工固定解剖图结构，针对不同心脏病症自动调整导联间关联权重，在全部心血管疾病分类任务中均实现稳定精度提升；
- 任务通用性好：在心梗、传导异常、ST 段病变、正常心电等多分类任务上性能全面领先，适配标准 12 导联静态心电辅助筛查场景；
- 增益可定量拆解：通过消融实验可分别量化多尺度分支、自适应图模块各自带来的性能提升，模型改进逻辑清晰可追溯。
局限性：
- 实验仅基于 PTB-XL 单套公开心电数据集完成验证，未纳入多中心医院、不同采集设备采集的异构临床心电样本，跨场景泛化能力缺少真实临床数据支撑；
- 整体网络包含多尺度卷积与图神经网络双分支结构，模型参数量较大，推理耗时更长，难以直接部署至低算力便携式穿戴心电设备；
- 对基线漂移、肌电噪声严重的低质量心电信号鲁棒性有限，噪声会干扰多尺度特征提取与导联关联权重的学习，造成分类精度下降；
- 仅使用单模态 12 导联时序心电信号建模，未融合血压、血氧等其他生理信号辅助疾病判别。
未来拓展方向：
- 引入多家医疗机构多源异构临床心电数据参与训练，提升模型在不同设备、不同人群样本下的泛化能力；
- 采用知识蒸馏、模型剪枝与量化手段完成网络轻量化，压缩参数量并降低推理延迟，适配便携心电终端落地；
- 新增前置噪声抑制预处理模块，增强模型在基线漂移、强噪声干扰低质量心电数据下的识别鲁棒性；
- 融合血压、血氧等多维度生理信号，构建多生理信号联合心电诊断框架；
- 面向基层医院标注样本稀缺场景，引入预训练策略拓展小样本、罕见心脏病识别能力。
github地址：源码
DOI：文章地址