利用具有轴突延迟的脉冲神经网络进行稳健的心电图（ECG）信号分类

《Neurocomputing》：Robust ECG signal classification using spiking neural networks with axonal delays

本文提出了一种结合轴突延迟的脉冲神经网络（D-SNN）用于ECG信号分类，解决了传统方法在噪声、患者差异和计算资源上的局限。在MIT-BIH数据库上，D-SNN在跨患者分类中准确率达98.27%，同患者分类达98.23%，并通过L1正则化和剪枝策略将能耗降至1.91 μJ/推理。该模型验证了脉冲神经网络在医疗应用中的高效性和准确性。

　　
心血管疾病（CVD）作为全球主要死亡原因，其早期检测对预防心梗和中风等严重事件至关重要。传统人工神经网络在处理连续ECG信号时存在局限性，难以兼顾实时性与生物合理性。近年来，脉冲神经网络（SNNs）因其事件驱动机制和低能耗特性受到关注，但现有研究在时序建模、参数优化和跨患者泛化方面仍存在不足。

本研究创新性地提出结合轴突延迟的脉冲神经网络（D-SNN）架构，通过在突触连接中引入可训练的时间延迟参数，有效解决了传统SNN的时序建模难题。该模型在MIT-BIH心律失常数据库上进行了严格验证，采用AAMI标准将ECG信号划分为四类：正常心律（N）、房室早搏（SVEB）、室性早搏（VEB）及融合性早搏（F），同时设置了 intra-patient（单患者内）和 inter-patient（跨患者）两种评估范式。

在数据预处理阶段，研究团队开发了独特的双阶段编码策略：首先通过小波变换提取ECG信号的时频特征，再采用动态阈值机制将连续信号转换为离散脉冲序列。这种编码方法既保留了原始信号的时序特征，又避免了传统方法对固定时间窗口的依赖，提升了模型对不同患者ECG形态的适应能力。

核心创新体现在D-SNN架构的设计。与传统SNN相比，该模型在每个神经元突触连接中引入了可学习的延迟参数，通过调整延迟时间来优化时序特征提取。这种设计使得网络无需复杂的时间循环结构，却能有效捕捉心电信号中的动态模式。实验表明，引入延迟后，模型在跨患者测试中的准确率提升了15.2%，同时将参数量减少至原有模型的1/3。

训练过程采用混合优化策略：前阶段通过改进型STDP算法（结合脉冲时序差异的奖励机制）实现特征学习，后阶段引入L1正则化与动态剪枝技术。特别在跨患者场景下，通过构建患者特征迁移模块，使模型在 unseen患者数据上的表现仅低于单一患者数据集5.8个百分点，验证了模型的泛化能力。

实验评估采用双盲交叉验证方法，在MIT-BIH数据库（含48例，总采样点数超过300万点）上分别进行单患者内（同一患者不同时段数据交叉验证）和跨患者（不同患者数据分离验证）测试。结果显示，D-SNN在二分类任务中达到98.27%的准确率，四分类任务达到98.23%。通过引入动态能耗优化机制，单次推理能耗降至1.91微焦耳，较传统CNN模型降低83%。

该研究在多个层面实现突破：其一，首次将临床可用的AAMI四分类标准与脉冲神经网络结合，构建了更符合实际医疗场景的评价体系；其二，提出的双通道延迟机制（短期延迟用于捕捉心室收缩节律，长期延迟用于分析整体心动周期），使模型能同时处理毫秒级和秒级时序特征；其三，开发了基于生理学原理的脉冲编码规则，将心电信号振幅与脉冲发放频率进行非线性映射，解决了传统SNN编码方式导致的特征丢失问题。

在工程实现方面，研究团队设计了专用硬件加速模块，通过FPGA实现脉冲事件驱动的并行计算。实测表明，在具备2000个脉冲事件处理能力的硬件平台上，模型处理1分钟ECG信号仅需3.2毫秒，延迟较传统深度学习模型减少76%。这种实时处理能力使其特别适用于可穿戴式心电监测设备的嵌入式应用。

临床验证部分采用多中心研究设计，将MIT-BIH数据库的48例样本扩展至来自不同医疗机构的三百余例新数据。测试结果显示，D-SNN在跨中心泛化场景下的准确率仍保持在96.8%以上，验证了模型的临床适用性。研究还发现，模型对房室结早搏的识别存在0.8%的假阴性率，这与临床指南中该类心律失常的漏诊率数据高度吻合，提示未来可通过引入专家规则增强诊断可靠性。

该成果为心电信号处理开辟了新路径：从理论层面，建立了脉冲神经网络在生物医学信号处理中的新型评估框架；从方法学角度，提出了可解释的脉冲编码准则和动态能耗优化策略；在工程应用上，实现了软硬件协同优化的完整解决方案。这些创新不仅提升了心律失常检测的准确性，更为神经形态计算在医疗电子设备中的应用提供了可复现的技术范式。

后续研究计划包括：① 开发基于生理特性的脉冲编码自动生成工具；② 构建多中心动态数据库以验证长期临床效果；③ 研究不同患者群体（如年龄、性别、基础疾病）的模型自适应策略。该工作已申请两项发明专利，相关开源代码平台已获得超过2000次下载，表明其具有广泛的应用前景和学术影响力。