基于藤壶优化算法的多组件注意力图卷积神经网络实现高精度ECG心律失常分类，赋能传感器生物医学系统

《Biomedical Signal Processing and Control》：A Multi-Component Attention Graph Convolutional Neural Network Optimized by the Gooseneck Barnacle Algorithm for High-Precision ECG Arrhythmia Classification in Sensor-Based Biomedical Systems

本文提出一种创新性心律失常分类框架MCAGNN-GBA-ECG，通过轨迹泊松多伯努利混合滤波(TPMBMF)降噪、简单对比图聚类(SCGC)分割、随机量子电路变换(RQCT)特征提取，结合多组件注意力图卷积神经网络与藤壶优化算法(GBA)，显著提升心电图(ECG)信号分类准确率，为心血管疾病(CVD)智能诊断提供重要技术支撑。

　　

¹Highlight

本研究开发了一种GBA优化的MCAGNN模型，用于实现高精度ECG心律失常分类。与传统深度学习模型不同，MCAGNN通过基于图的学习有效提取ECG信号中的时空关系。TPMBMF的应用通过最小化噪声显著提升信号质量，而SCGC确保了对心搏的精准分割。RQCT技术进一步识别关键波形特征以提升分类准确性。首次采用GBA进行超参数优化，使模型在准确率、精确度和召回率方面均超越现有方法。

²Literature survey

近年来多项研究致力于基于深度学习的心律失常分类技术。2024年Bechinia等人提出采用轻量化自定义卷积神经网络(LC-CNN)与微调MobileNet-V2模型进行ECG心律失常信号分类，其LC-CNN仅包含三个卷积层，而MobileNet-V2通过预训练权重迁移学习来提升检测性能。

³Proposed methodology

MCAGNN-GBA-ECG心律失常预测框架包含五个核心阶段：数据采集、预处理、分割、特征提取和基于优化的分类。完整流程如图1所示。

ECG信号源自MIT-BIH心律失常数据库，首先通过TPMBMF滤波器进行去噪以消除噪声和伪影。随后采用SCGC算法将信号分割为独立心搏段。从这些分割后的信号中提取特征。

⁴Result

通过对所提出MCAGNN-GBA-ECG框架的实验分析，评估其ECG心律失常信号分类性能。模型基于Python实现，运行配置为12GB内存和Intel? Core i3-6100 3.70GHz处理器。该系统为深度学习模型的训练和测试提供了充足算力，并可支持计算效率分析。

⁵Conclusion

本研究提出的MCAGNN-GBA-ECG框架通过结合图神经网络、注意力机制与GBA优化技术，实现了高效的ECG心律失常分类，在准确率、精确度和召回率方面展现出显著提升。该模型适用于传感器生物医学系统，可增强实时ECG监测能力，对心脏诊断自动化具有重要临床价值。实验结果明确显示其优于现有方法，具备临床推广应用潜力。