1.一种融合信任损失和决策再分类的图卷积心脏病检测方法，其特征在于包括以下步骤：步骤1：采集心脏病数据样本集 ，样本集包括心脏病特征信息、心脏病类别，给予每条数据唯一ID,利用相似度为每个ID选取邻居，构建邻接关系；

步骤2：对原始样本集进行预处理，将原始类别转换成独热编码标签，根据邻接关系构建稀疏邻接矩阵，并将心脏病样本集数据分为训练样本集、验证样本集和测试样本集；

步骤3：将上述训练样本集数据输入改进过后的图卷积神经网络，根据心脏病实际类别，对图卷积神经网络进行训练，在负对数似然损失函数基础上又融合了基于信任的自适应损失函数，并根据新的损失函数输出值，进行反向传播，更新模型参数；

所述步骤3包括如下步骤：

步骤 3.1 设置随机种子seed=42，训练总轮数epochs=200，学习率lr=0.01，丢弃率Dropout=0.5，设置模型进入训练模式，训练模式下，Dropout随机丢弃一部分神经元，将样本数据特征 和邻接矩阵 输入图卷积神经网络，公式如下：；

其中 , , ， 为输入层到隐藏层的权重， 为隐藏层到输出层的权重， 为 个节点对应各类别的概率分布，隐藏层的非线性激活函数 表示为：

；

输出层 函数使用对数转换输出对数概率分布，公式如下：；

其中 是输入向量 中的第个分量；

步骤3.2使用 函数将对数概率分布 ，还原为普通概率分布，保留对数概率分布，计算表达式如下：；

步骤3.3根据第 个节点的概率分布 对每个节点的最大概率和次大概率 做差分，操

作为：

；

得到最大差分矩阵 ，差值作为节点分类的信任值；

步骤3.4 已知第 个节点的对数概率分布 ，训练集样本索引，训练集样本数量 ，第 个节点的真实类别标签 ，计算负对数似然损失，函数计算公式为：；

步骤3.5 利用最大差分矩阵 ，通过Hadamard乘积为负对数似然损失赋予自适应权重，得到信任自适应损失，损失函数公式如下：；

将信任自适应损失函数与负对数似然损失函数融合，得到最终的损失函数，表示为：；

节点信任越高，对模型的影响就越大，节点信任越低，对模型的影响就越小，对于具有不确定性质的节点，减少其对模型的干扰，提高模型对确定性质节点的分类能力，设置，根据损失值进行反向传播，更新模型参数，输出每轮训练的损失和分类准确度；

步骤4：将验证样本集数据输入模型，根据最后一轮验证的分类准确度 计算出不确定分类节点阈值 ；

步骤5：将测试样本集输入训练好的模型，得出初步分类概率分布 ，概率分布进入决策层，根据不确定分类节点阈值 筛选不确定节点的信息，使用高斯核函数对不确定节点进行再分类。

2.根据权利要求1所述的一种融合信任损失和决策再分类的图卷积心脏病检测方法，其特征在于，所述步骤4包括如下步骤：步骤4.1 模型进入评估模式， Dropout被禁用，所有神经元都参与计算，模型使用完整的网络结构进行验证，将验证样本集数据输入模型，计算分类正确的样本数，计算公式为：;

其中， 是指示函数，当 时为1，否则为0；

步骤4.2 根据分类正确的样本数 ，计算分类准确率 ，输出是所有输入样本的正确分类数占总输入样本数的比例，计算公式如下：;

步骤4.3 将最后一轮验证的分类准确度 四舍五入到小数点后两位，公式为：;

根据分类准确度 计算出不确定分类节点的阈值 。

3.根据权利要求1所述的一种融合信任损失和决策再分类的图卷积心脏病检测方法，其特征在于，所述步骤5包括如下步骤：步骤5.1将测试样本数据输入训练好的模型，保留初分类结果 ，计算最大差分矩阵 ，根据阈值 计算选择的元素个数 ，计算表达式如下：;

从最大差分矩阵中选择最小的 个元素，记录差分值和在原始集的索引，操作表达式为：;

其中 ；

步骤5.2 根据节点特征 计算节点间的欧氏距离矩阵 ，矩阵形式如下：;

设置 ，将欧氏距离矩阵 输入高斯核函数，得到基于高斯核的相似度矩阵 ，矩阵表示为：;

步骤5.3 通过邻接矩阵 和相似度矩阵 的逐元素相乘得到邻域相似度矩阵 ，表达式为：;

如果节点 和节点 之间有边连接，则 就是节点 和节点 之间的相似度值 ，如果没有边连接，则 ；

步骤5.4 获取当前不确定节点 与其他邻接节点的相似度 ，获取邻接节点的标签，该操作表达式如下：;

提取概率分布中节点 对应邻接节点标签的概率值，得到权重向量，对相似度 进行加权，得到加权相似度 ，操作如下：

;

步骤5.5 在加权相似度矩阵中寻找相似度最大的节点索引，描述如下：;

相似度节点索引 获取再分类标签 ，更新 ，循环步骤5.4至步骤5.5，直至所有不确定节点再分类结束，输出最终分类结果。