一个统一的框架,用于学习心电图生物识别中图神经网络的不变表示
《Pattern Recognition》:A Unified Framework to Learn Invariant Representations of Graph Neural Networks for ECG Biometrics
【字体:
大
中
小
】
时间:2026年04月11日
来源:Pattern Recognition 7.6
编辑推荐:
本文提出基于图神经网络的统一框架LIRGNN,通过图特征提取、多尺度Transformer评分和分离混合模块学习ECG信号的不变表示,有效缓解分布偏移影响,并在六个公共数据库上验证其优越性。
马天邦|刘春英|黄宇文|尹一龙|杨功平|潘金山
中国菏泽市菏泽大学计算机学院,274015
摘要
心电图(ECG)生物特征最近受到了相当多的关注,已经开发出了许多相关方法。由于生理和心理活动的影响,ECG信号的动态分布会随时间不断变化,从而导致分布偏移。一个重要的挑战是减轻这些变化对ECG生物特征识别的影响。我们提出了一个统一的框架——图神经网络不变表示学习(LIRGNN),用于ECG生物特征识别,该框架可以有效消除分布偏移的影响。LIRGNN由图基特征提取模块(GFEM)、多尺度变换器模块(MTM)和分离与混合模块(SMM)组成。首先,我们使用GFEM将ECG信号转换为可视化图,并提取其拓扑特征,以在语义空间中获得图级表示。然后,我们利用MTM通过测量每个维度对语义空间中识别目标的贡献来评估GFEM的性能。SMM用于分离图级表示,并区分不变特征和虚假特征,我们设计了一个自监督学习目标来获得具有区分能力的不变表示,从而提高泛化能力。我们的框架具有通用性,通过调整MTM可以轻松适应各种适用模型。在六个公共ECG数据库上的实验中,LIRGNN的性能优于现有方法。代码可在以下链接获取:
https://github.com/matianbang/LIRGNN。
引言
许多人类生理或行为特征,如面部、指纹、虹膜图案、手指静脉和步态,已被用于用户认证研究。近年来,各种生物信号(如心电图(ECG)、肌电图(EMG)和脑电图(EEG)也被探索作为潜在的生物特征,原因有多个。与广泛使用的生物特征(如人脸[1]和指纹[2])相比,ECG信号具有独特的优势[3]:1) 生活性检测:ECG信号是通过在身体上放置传感器记录的,因此只能从活人身上获取;2) 高安全性:ECG信号难以复制或伪造,使其在生物特征识别中非常安全;3) 数据量小:作为一维信号,ECG信号易于存储和处理;4) 信息丰富:ECG信号包含可用于身份识别[4]、心律失常检测[5]和情绪分析[6]的混合信息。ECG生物特征识别逐渐获得了显著的关注[7]。
ECG信号容易受到各种内部因素的影响,包括生理和心理因素,它们表现出非平稳特性。这些信号的动态分布会随时间变化,导致分布偏移。图1展示了两个受试者的心跳如何随时间发生分布偏移;对于ECG生物特征识别来说,如何减轻这种影响是一个重要挑战。
图神经网络(GNN)在计算机视觉、模式识别、图像分析和社交网络中越来越受欢迎。GNN可以学习ECG信号的节点表示并提取其拓扑特征,并在ECG生物特征识别中表现出良好的性能[8]。然而,在分布偏移的情况下,图表示学习的泛化能力较低[9]、[10]、[11]。因此,研究如何提高GNN在分布偏移情况下的泛化能力是值得的。
学习GNN的不变表示可以在分布偏移的情况下保证性能[11]、[12]、[13]。常用的方法是将图结构划分为子结构,然后分别编码每个子结构的边和节点。然而,大多数方法仅捕获局部邻域信息,忽略了所有节点之间的全局关系,无法有效学习足够的语义信息。此外,目前缺乏一个统一的框架来使用GNN学习不同应用的不变表示。
为了解决ECG信号中分布偏移带来的挑战,我们引入了LIRGNN,这是一个利用图神经网络学习ECG生物特征不变表示的统一框架。图2展示了所提出的LIRGNN的架构概览,它整合了三个关键组件:图基特征提取模块(GFEM),用于将ECG信号转换为可视化图并捕获其拓扑特征;多尺度变换器模块(MTM),用于评估特征贡献并增强识别鲁棒性;以及分离与混合模块(SMM),用于将不变特征与虚假特征分离。此外,我们还加入了自监督学习目标,以进一步增强模型的泛化能力。这个统一的框架有效减轻了分布偏移的影响,在多个公共ECG数据库上表现出优异的性能。
我们的贡献可以总结如下:
- 我们提出了一个统一的框架,用于学习ECG生物特征的GNN不变表示,该框架可以有效捕获具有区分能力和泛化能力的不变特征,从而消除分布偏移的影响。我们的框架具有通用性,可以轻松适应各种适用模型。
- 我们使用多尺度变换器模块通过测量每个维度在语义空间中对识别目标的贡献来评估GFEM的性能,从而实现不变特征和虚假特征之间的明确区分。
- 为了捕获具有区分能力的不变特征并提高泛化能力,我们设计了一个包含不变特征和混合预测损失的自监督学习目标。
本文的其余部分组织如下:第2节回顾相关工作,第3节介绍所提出的模型,第4节报告我们的实验结果和分析,第5节讨论我们的结论和未来工作。
部分内容摘要
ECG生物特征
ECG生物特征识别方法包括基于基准点的方法、非基于基准点的方法和基于深度学习的方法。基于基准点的方法利用R波幅度、T波幅度、QRS间期和QT间期等基准点。Patro等人[14]提出了一种统计学习方法(LASSO)来选择适合ECG生物特征识别的基准点特征。Benabdallah等人[15]开发了一个整合了QRS高阶统计特征的生物特征模型。方法
,其中n是采样点的数量,xi是第个采样点的幅度。类似地,设是一组测试样本,其中M是心跳的数量。训练样本和测试样本是相互独立的。数据库
我们在六个公共数据库上评估了所提出方法的性能:MIT-BIH心律失常数据库(MIT-BIH)、MIT-BIH ST变化数据库(STCD)、PTB诊断ECG数据库(PTB)、ECG-ID数据库(ECG-ID)、Heartprint数据库(Heartprint)和PTB-XL数据库(PTB-XL)。
MIT-BIH包含47名受试者的48个双通道记录,广泛用于ECG生物特征识别。记录的采样频率为360 Hz,数据库包含109,494个标注的心跳。
结论
我们提出了一个统一的框架——图神经网络不变表示学习(LIRGNN),用于ECG生物特征识别,可以有效消除分布偏移的影响。GFEM将ECG信号转换为可视化图并提取其拓扑特征,以获得图级表示。MTM用于评估图级表示,测量每个维度对识别目标的贡献。SMM用于
CRediT作者贡献声明
马天邦:撰写——原始草稿、验证、方法论。刘春英:方法论、数据整理。黄宇文:撰写——审阅与编辑、撰写——原始草稿、验证、方法论。尹一龙:撰写——审阅与编辑。杨功平:方法论。潘金山:撰写——审阅与编辑。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:
黄宇文报告称获得了中国国家自然科学基金的支持。黄宇文还报告获得了山东省自然科学基金的支持。如果还有其他作者,他们声明没有已知的可能会影响研究的财务利益或个人关系。
致谢
本工作部分得到了中国国家自然科学基金(项目编号62276093)和山东省自然科学基金(项目编号ZR2022MF286)的支持。
马天邦于2021年在中国德州市获得了软件工程学士学位,目前正在临沂大学信息科学与工程学院攻读计算机技术硕士学位。他的研究兴趣包括ECG生物特征和深度学习。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号