新型混合 CNN-Transformer 模型助力心律失常精准检测

研究人员针对心律失常检测难题，开展基于 Stockwell 变换的模型研究，模型准确率高，有助于提升诊断水平。

　　在心脏健康的领域中，心电图（ECG）就像是医生了解心脏 “小秘密” 的神奇工具。它通过记录心脏的电活动情况，帮助医生揪出各种心血管疾病的 “小尾巴”。不过，心律失常这种心脏节律异常的情况，却让医生们有些头疼。传统的诊断方法很大程度上依赖医生的专业技能和经验，而心电图信号复杂多变，即使是同一个人的心电图，在不同时候也可能有很大差别。这不仅导致诊断时间变长，还容易因为医生个人的主观判断产生误差。而且，现有的基于深度学习的检测方法也存在一些问题，比如卷积神经网络（CNN）虽然能捕捉局部特征，但在处理像心电图这样的时间序列数据时，很难学习到长期的依赖关系；而一些传统的特征提取方法，像小波变换，虽然能分析信号的局部时间和频率特性，但分辨率有限。所以，开发一种更准确、更高效的心律失常检测方法迫在眉睫。

在这样的背景下，来自韩国光云大学、HolmesAI、庆南大学等机构的研究人员（Donghyeon Kim、Kyoung Ryul Lee 等人）开展了一项重要研究。他们提出了一种新型混合深度学习模型，用于从心电图信号中进行心律失常分类。该研究成果发表在《Scientific Reports》上。

研究人员在研究中用到了几个关键的技术方法。首先是数据集，他们使用了 MIT-BIH 心律失常数据集和 Icentia11k 数据集。MIT-BIH 数据集包含 48 名患者的数据，是评估心电图分析算法的 “黄金标准”；Icentia11k 数据集则来自加拿大魁北克医院的 11000 多名患者，包含了日常生活中可能出现的各种心电图模式。其次是预处理技术，研究人员对原始心电图数据进行了一系列处理，包括 50 秒开窗、30Hz 低通滤波去除噪声、下采样到 100Hz、去趋势基线校正、10 秒开窗、去除异常值、Min-Max 归一化，最后使用 Stockwell 变换（S 变换）将信号转换到时间 - 频率域。最后是模型构建，他们提出了一种结合 ResNeXtNet 和 Transformer 编码器的混合模型，用于心律失常分类。

下面来看看具体的研究结果：

• 模型性能优化：研究人员对多个超参数进行了优化，使用 RAdam 优化器（学习率为 3e-4），启用混合精度训练，采用 Focal Loss 代替标准交叉熵损失函数来缓解类别不平衡问题。通过这些优化，模型在两个数据集上都取得了优异的成绩，在 Icentia11k 数据集上准确率达到 97.8%，在 MIT-BIH 数据集上准确率达到 99.58%。
• 消融研究：研究人员对预处理策略进行了研究，发现去趋势处理在纠正基线漂移、稳定信号方面起着关键作用，而低通滤波（LPF）虽然对整体信号影响较小，但对于去除高频噪声、稳定剩余高频分量的相位很有必要。此外，研究人员还评估了 CNN、Transformer 和 S 变换在模型中的贡献。结果表明，单独使用 1D CNN 或 1D Transformer 性能较差，而将心电图信号通过 S 变换转换为 2D 时间 - 频率表示后，结合 CNN 和 Transformer 的 2D 混合模型性能最佳。
• 正确与错误分类案例分析：研究人员分析了正确和错误分类的案例。通过 S 变换时频谱图发现，对于正常节律（N）和室性心律失常（V）等类别，模型能够学习到稳定且独特的频谱模式。但对于一些存在模糊模式的信号，模型可能会出现误判，这也表明未来还需要进一步改进。
• 模型可解释性可视化：研究人员通过类激活映射（CAMs）和 t-SNE 可视化技术，展示了模型在心律失常分类中的可解释性。CAMs 显示模型在分类时会关注不同类别的特定时间 - 频率区域，t-SNE 可视化则表明模型能够有效区分不同类型的心律失常。
• 与经典方法比较：与其他文献中的方法相比，该研究提出的模型在准确率（Acc）、阳性预测值（PPV）和敏感度（Se）等指标上均表现更优，尤其是在检测严重心律失常方面具有显著优势。

研究结论和讨论部分指出，S 变换在增强心电图信号分析、提高心律失常检测准确率方面非常有效，它能够捕捉到传统方法容易忽略的关键时间和频谱特征。混合 CNN - Transformer 架构在分析心电图信号的局部和长期依赖关系方面表现出色，在两个数据集上都展现了强大的性能。不过，该研究也存在一定的局限性，比如研究依赖于两个特定的数据集，这可能限制了研究结果的普遍性；S 变换的计算复杂度较高，对于实时分析来说是一个挑战。未来的研究需要在更多数据集和噪声条件下测试模型，同时优化模型以提高计算效率，从而推动该模型在临床环境中的广泛应用和实时心律失常检测的发展。总的来说，这项研究为心律失常的诊断提供了一种更准确、更有效的方法，有望在未来的临床实践中发挥重要作用，帮助医生更好地诊断和治疗心律失常患者。