心臟，這個人體內的 “永動機”，依靠精密的電傳導系統維持著規律的跳動。當心臟電活動出現異常，心律失常（Arrhythmia, ARR）便可能悄然降臨，成為威脅人類健康的隱形殺手。據世界衛生組織數據顯示，心血管疾�。–ardiovascular Disease, CVD）是全球主要死亡原因之一，而心律失常在其中扮演著關鍵角色。傳統的心電圖（Electrocardiogram, ECG）診斷雖為重要手段，但依賴人工分析的局限性日益凸顯：面對海量心電數據，人工解讀效率低下且易受主觀因素影響；傳統機器學習方法雖嘗試通過特征工程提升診斷效能，卻難以突破手工設計特征的片面性與泛化能力瓶頸。更嚴峻的是，以卷積神經網絡（Convolutional Neural Networks, CNN）為代表的深度學習模型雖在心律失常檢測中展現出強大性能，但其 “黑箱” 特性導致醫生難以理解決策邏輯，跨患者、跨設備的泛化能力不足也限制了臨床應用，尤其在醫療資源匱乏的地區，精準診斷需求與技術落地之間的鴻溝亟待填補。

在這樣的背景下，來自相關研究機構的研究人員聚焦于心跳級心律失常的精準診斷與機制解析，開展了一項具有突破性的研究。該研究成果發表在《Biomedical Signal Processing and Control》，為心律失常的智能診斷提供了新的思路與工具。

研究人員主要采用了以下關鍵技術方法：以公開的 MIT-BIH 心律失常數據庫為研究對象，該數據庫包含 47 名參與者的 48 個半小時動態 ECG 記錄（兩通道，采樣率 360Hz，11-bit 分辨率）。研究中構建了 1D-CNN 模型與基于小波散射變換（Wavelet Scattering Transform, WST）的特征分析模型，通過對比分析兩者在心跳分類中的表現，探索可解釋性與診斷效能的平衡。其中，WST 通過迭代應用小波變換與模非線性操作生成散射系數，捕捉信號的尺度與平移不變特征，為模型賦予生理可解釋性；CNN 則通過自動學習數據驅動的特征，提升分類精度。此外，研究還提出一種融合 WST 結構與 CNN 學習能力的新型模型，旨在結合領域知識與數據驅動優勢。

研究通過優化模型參數（如 CNN 層數、WST 散射層小波數量、不變尺度等），對兩類模型的性能展開系統評估。結果顯示，1D-CNN 對正常、室性早搏（PVC）等五種心律失常類型的分類準確率達 98.74%，WST 模型為 97.73%，單心跳平均分類時間僅 0.01 毫秒，展現出高效的診斷效率。進一步分析發現，CNN 的深層特征更聚焦于復雜形態模式，而 WST 的散射系數可直觀反映信號在不同頻率尺度的能量分布，兩者特征具有互補性 —— 融合后的模型分類性能顯著提升，驗證了跨模型特征整合的有效性。

研究在患者間與患者內兩種范式下，對五種 ARR 類別展開心跳級分類研究，揭示了 CNN 與 WST 在特征提取機制上的異同。CNN 通過多層卷積核的自適應學習，捕捉到心電波形的細微形態差異，但其內部表征的復雜性導致可解釋性不足；WST 則憑借嚴格的數學框架，將信號分解為具有物理意義的散射系數，例如不同尺度的系數對應心電波形的低頻趨勢（如 T 波形態）與高頻細節（如 QRS 波群斜率），為異常節律的生理機制解析提供了可視化依據。值得關注的是，融合模型在保持高準確率的同時，通過 WST 結構的引入，顯著提升了模型決策的透明度，醫生可通過散射系數的變化追溯異常特征的來源，這對于臨床信任建立與個性化診療方案制定具有重要價值。

本研究構建的基于 WST 啟發的 CNN 框架，成功在心律失常診斷的準確性與可解釋性之間取得平衡。1D-CNN 與 WST 模型均展現出優越的分類性能，且計算復雜度低于部分前沿方法，尤其適合資源受限環境下的實時監測應用。融合模型的提出，不僅驗證了領域知識與數據驅動方法的協同潛力，更開創了 “可解釋深度學習” 在醫療診斷中的新路徑 —— 通過將信號處理的先驗知識嵌入神經網絡架構，既保留了深度學習的自動化特征提取優勢，又賦予模型生理可解釋性，為人工智能在心血管疾病精準診療中的落地提供了關鍵技術支撐。該研究成果不僅有望推動動態心電圖監測設備的智能化升級，更對跨學科融合解決醫療 AI 的 “黑箱” 難題具有示范意義，為未來開發更安全、可信的醫療診斷系統奠定了基礎。