《Scientific Reports》：Classification of multi-lead ECG based on multiple scales and hierarchical feature convolutional neural networks
編輯推薦：
心血管疾�。–VD）死亡率不斷上升，心律失常的檢測和分類對其診斷至關重要。研究人員提出基于多尺度和分層特征卷積神經網絡（CNN）結合導聯編碼器注意力（LEA）機制的多導聯心電圖分類方法。實驗表明該方法分類性能優異，有助于心血管疾病診斷和減輕醫生工作量。
心血管疾�。–VD）嚴重威脅人類健康，在全球范圍內，其死亡率呈上升趨勢，給各個國家，尤其是中低收入國家帶來了沉重的負擔。心律失常作為心血管疾病的重要表現，準確檢測和分類心律失常對于心血管疾病的精確診斷和風險評估極為關鍵。目前，心電圖（ECG）監測是檢測心律失常的主要手段，但傳統基于深度學習的分類方法在有效整合 ECG 形態和時間特征方面存在困難，而且現有方法在臨床應用中也面臨挑戰，如對信號質量要求高、依賴手動特征提取、準確性欠佳，以及在不同數據集上泛化能力不足等問題。
為了解決這些問題，廣西師范大學的研究人員開展了基于多尺度和分層特征卷積神經網絡（CNN）結合導聯編碼器注意力（LEA）機制的多導聯 ECG 分類研究。該研究成果發表在《Scientific Reports》上。
研究人員在研究過程中用到了多種關鍵技術方法。在數據處理方面，采用了中國心血管疾病數據庫（CCDD）和 MIT - BIH 心律失常（MIT - BIH - AR）數據庫。對于 CCDD 數據，進行了數據平移、下采樣、小波變換去噪、添加隨機噪聲等預處理操作；對于 MIT - BIH - AR 數據庫數據，使用帶通濾波器降噪并進行心跳分割。在模型構建方面，提出了多尺度 CNN 架構和 LEA 機制，并運用了規則推理模塊輔助分類。
研究結果
- CCDD - 1 實驗結果：在 CCDD 的小規模測試集上，使用規則推理模塊后，模型敏感性（Se）提高 3.1%，準確性（Acc）不變，能更準確識別正常類別記錄。在大規模測試集上，與其他注意力機制相比，LEA 在分類正常和異常 ECG 記錄上表現更優，使用規則推理模塊后，Se 提升 3.4%，TPR95 從 49.3% 提高到 61.3% 。與先進算法相比，該方法 Se 和 Acc 更高，但 TPR95 仍有待提升123。
- CCDD - 2 實驗結果：通過創新的數據分區方法，在 CCDD 的新測試集上，Se、NPV、AUC 和 TPR95 等指標顯著提升，TPR95 達到 78.5%，進一步減輕了醫生工作量4。
- MIT - BIH - AR 數據庫實驗結果：在 MIT - BIH - AR 數據庫上，模型 Acc 達到 99.5%，與其他方法相當，但 Se 相對較低。研究認為這與模型更適合處理長序列完整 ECG 記錄以及導聯數量有限有關。不過，實驗證明了該方法在處理不同長度 ECG 序列分類任務時具有泛化能力56。
研究結論與討論
該研究提出的模型在多導聯 ECG 分類上取得了優異成果。在 CCDD 上，Acc 達到 88.5%，NPV 為 93.9%，TPR95 提升至 78.5%，AUC 超過現有先進算法；在 MIT - BIH - AR 數據庫上，Acc 為 99.5%，Sp 為 99.6%，展現了良好的泛化能力 。這有效證明了自動心律失常分類的可行性，有助于提升心血管疾病的診斷和治療水平，減輕醫生的工作負擔，具有重要的臨床應用價值。
然而，該研究也存在一定的局限性。一方面，模型的計算復雜度與一些輕量級模型相比仍有優化空間；另一方面，目前研究局限于 ECG 的一維序列處理，未來可探索如小波變換、壓縮感知等技術的融合應用，以進一步提升分類性能。同時，還需確保模型在不同數據集上具有更強的泛化能力，從而更好地服務于臨床實踐。
