基于脉冲神经网络的早期心律失常检测：一种仿生计算方法及其临床转化潜力

《Scientific Reports》：A neuromorphic approach to early arrhythmia detection

本研究针对传统心电图(ECG)分析依赖人工判读、效率低且易受主观因素影响的问题，提出了一种基于脉冲神经网络(SNN)的仿生计算方法。通过将ECG信号转换为脉冲序列，结合漏积分发放(LIF)神经元和脉冲时序依赖可塑性(STDP)机制，实现了对心房颤动(AFIB)、束支传导阻滞(LBBB/RBBB)等多种心律失常的自动分类。在包含45,152例12导联ECG的大规模数据集上验证，模型整体准确率达94.4%，尤其对LBBB/RBBB的F1-score分别达到1.00和0.99。该SNN模型具有低功耗、高时效性的特点，为可穿戴医疗设备的实时心律失常监测提供了新方案。

　　

心血管疾病是全球范围内导致死亡的主要原因之一，而心律失常作为其重要临床表现，早期准确检测对预防脑卒中、心力衰竭等严重并发症至关重要。传统心电图分析依赖心血管医生人工判读，不仅耗时耗力，且诊断准确性受医生经验水平影响较大。随着人工智能技术的发展，深度学习模型已逐步应用于ECG自动分析领域，但传统卷积神经网络(CNN)和循环神经网络(RNN)存在计算资源需求大、能耗高等问题，限制了在可穿戴设备上的实时应用。

为解决这一难题，Manjur Kolhar等研究人员在《Scientific Reports》上发表了题为"A neuromorphic approach to early arrhythmia detection"的研究论文，创新性地将仿生计算的脉冲神经网络(SNN)引入心电图分析领域。这种受生物神经机制启发的计算方法，通过模拟大脑中神经元的脉冲传递方式，实现了对ECG信号中复杂时间模式的高效捕捉。

研究团队设计了一套完整的SNN处理流程，首先对原始ECG信号进行预处理，包括标准化和0.5-50Hz带通滤波，以消除基线漂移和工频干扰。随后采用速率编码将连续的ECG波形转换为脉冲序列，这一步骤是SNN处理的关键。模型核心采用漏积分发放(LIF)神经元模型，结合脉冲时序依赖可塑性(STDP)学习规则，模拟生物神经元中观察到的突触可塑性现象。

研究使用的数据集包含45,152例患者的12导联ECG记录，采样率为500Hz，来自Chapman大学和绍兴、宁波医院的临床数据库。为确保模型泛化能力，采用严格的按患者划分策略，将数据分为80%训练集、10%验证集和10%测试集，杜绝同一患者数据出现在不同集合中。所有ECG信号统一标准化为5000个样本长度，通过重采样或填充保持时间维度一致。

关键技术方法包括：基于LIF神经元和STDP的SNN架构设计；使用替代梯度传播解决脉冲函数不可微问题；结合交叉熵损失和Adam优化器的混合训练策略；针对类别不平衡采用RandomOverSampler过采样技术；模型复杂度控制（640,644个可训练参数）和事件驱动计算实现能效优化。

模型性能验证

研究通过两个独立实验评估模型性能。实验一专注于四种主要心律失常类型：心房颤动(AFIB)、窦性心律(SR)、左束支传导阻滞(LBBB)和右束支传导阻滞(RBBB)。结果显示，模型在测试集上达到94.4%的整体准确率，各项指标均表现优异。特别值得注意的是，对LBBB和RBBB的检测几乎完美，F1-score分别达到1.00和0.99，表明模型对传导障碍具有极强的识别能力。

验证集和测试集的受试者工作特征(ROC)曲线分析显示，所有类别的曲线下面积(AUC)均高于0.98，其中LBBB和RBBB的AUC达到完美的1.00。混淆矩阵进一步证实了模型的精确分类能力，大多数预测类别与真实标签高度一致。

实验二扩展至房室传导阻滞的检测，包括一度房室传导阻滞(1AVB)、二度房室传导阻滞(2AVB)及其亚型(2AVB1)。模型在测试集上取得94.34%的准确率，对2AVB1的分类达到完美水平。一度房室传导阻滞的召回率略低(85%)，反映了该类心律失常ECG特征相对细微、易与其他类型混淆的挑战。

模型优势与创新点

与传统深度学习方法相比，该SNN模型在保持高精度的同时，显著降低了计算复杂度。前向传播仅需1.28M FLOPs(浮点运算次数)，比标准一维CNN或CNN-LSTM模型减少3-10倍计算需求。事件驱动的稀疏激活特性使第二层计算成本降低约90%，非常适合资源受限的嵌入式设备。

五折交叉验证结果显示模型具有优秀的稳定性，各类别指标标准差极小(AFIB召回率0.940±0.012)。马修斯相关系数(MCC)达到0.931，Kappa系数0.930，表明模型在不同数据子集上均保持一致的性能。

讨论与展望

研究团队深入分析了模型的误分类情况，发现主要挑战在于区分形态特征相似的心律失常，如AFIB与SR的鉴别。心房颤动特征为P波消失和出现f波，但阵发性AFIB中短暂出现的类似正常P波的波形易导致误判。作者建议未来可引入导联级注意力机制，使模型聚焦于P波活动明显的导联(如II导联或V1导联)，进一步提升鉴别能力。

与现有文献对比显示，该SNN模型性能优于多种传统深度学习架构。轻量级CNN模型准确率通常为91-93%，而本研究达到94.4%，且在计算效率方面优势明显。模型大小为2.59MB，推理延迟估计低于8ms，满足可穿戴设备实时监测需求。

结论与意义

本研究成功证明了脉冲神经网络在心电图心律失常检测中的有效性和实用性。通过仿生计算方法，模型能够高效捕捉ECG信号中的关键时间动态特征，实现对多种心律失常的准确分类。高精度(94.4%)、低功耗和强泛化能力使该技术特别适合集成到便携式心电监测设备中，为远程医疗和家庭健康管理提供技术支持。

未来研究方向包括扩展至更多心律失常类型的检测、结合多模态生物信号(如光电容积脉搏波PPG)提升准确性，以及优化模型对细微特征差异的敏感性。这项研究为生物启发式计算在医疗诊断中的应用开辟了新途径，推动了人工智能辅助心电图分析向更高效、更实用的方向发展。