基于树量子电路模式的 PPG 信号心律失常自动检测模型：精准诊断新突破

《Journal of Medical Systems》：TQCPat: Tree Quantum Circuit Pattern-based Feature Engineering Model for Automated Arrhythmia Detection using PPG Signals

为解决心律失常检测问题，研究人员开展基于 PPG 信号的 TQCPat 模型研究，分类准确率达 91.30%，助力心律失常诊断。

　　在心脏健康的 “战场” 上，心律失常犹如一颗 “不定时炸弹”，威胁着人们的生命健康。心律失常表现为心跳不规则、过快或过慢，它常常与各种心血管疾病相伴相生，严重时可能引发心力衰竭、中风甚至心脏骤停。传统的心律失常检测方法中，心电图 (ECG) 虽能提供详细的心脏电活动信息，但容易受到多种信号干扰，比如呼吸、电极移动引起的基线漂移，电源产生的电力线干扰，患者运动造成的运动伪影以及肌肉收缩带来的肌电图 (EMG) 噪声等，这些干扰会降低分类准确率，给实时监测带来很大挑战。光电容积脉搏波 (Photoplethysmography，PPG) 技术则有着独特的优势，它通过检测皮肤表面光的透射或反射情况，获取皮下浅层血流的容积变化信息，与 ECG 密切相关。PPG 信号采集方便、成本低，适合用于可穿戴设备和非侵入式监测，不过此前缺乏充分优化的基于 PPG 信号的机器学习模型，限制了其在心律失常检测中的广泛应用。

为了突破这一困境，来自土耳其、澳大利亚、新加坡等多地的研究人员联合开展了一项重要研究，其成果发表在《Journal of Medical Systems》上。他们致力于开发一种基于树量子电路模式 (Tree Quantum Circuit Pattern，TQCPat) 的特征工程模型，利用 PPG 信号实现心律失常的自动检测。

研究人员在此次研究中运用了多种关键技术方法。首先，采用离散小波变换 (Discrete Wavelet Transform，DWT)，将原始 PPG 信号分解为不同频率的小波子带，以便进行多层次信号处理。其次，运用 TQCPat 这一创新的特征提取方法，基于量子计算原理和结构化图，动态地从 PPG 信号中提取特征向量。之后，使用卡方检验 (Chi - squared，Chi2) 和邻域成分分析 (Neighborhood Component Analysis，NCA) 进行特征选择，筛选出最相关的特征，提高分类性能。最后，利用 k 近邻算法 (k - Nearest Neighbors，kNN) 和支持向量机 (Support Vector Machine，SVM) 进行分类，并通过迭代多数投票 (Iterative Majority Voting，IMV) 策略融合分类结果。研究使用的数据集来自中国阜外医院 228 位接受射频导管消融治疗心律失常患者的 PPG 信号，共计 46827 个 PPG 信号样本，涵盖了窦性心律（正常）和五种不同类型的心律失常。

研究结果如下：

• 模型性能优异：通过十折交叉验证，该模型在对六种心律类型进行分类时，分类准确率达到了 91.30%，总体 F1 分数为 85.55%，超过了部分分类器特定结果，且混淆矩阵显示误分类情况较少。
• 关键组件表现突出：在生成分类器特定结果的过程中，研究发现较低三元、NCA 和 SVM 函数分别作为特征提取内核、特征选择器和分类器时，能产生最高的平均准确率。
• 对比优势明显：与其他研究相比，该模型在相同数据集上的表现优于基于卷积神经网络的深度模型，且计算效率更高。尽管数据集存在类别不平衡问题，但模型通过固有泛化、强大的特征提取和全面的交叉验证策略，有效处理了这一问题，在少数类别的分类上也表现出色。

研究结论和讨论部分表明，该研究提出的基于 TQCPat 的模型在心律失常分类中展现出了较高的准确性。TQCPat 作为一种新颖的动态特征提取函数，能有效处理 PPG 信号，为心律失常检测提供了新的解决方案。此外，该模型计算效率高，适用于可穿戴健康监测设备、低功耗嵌入式系统、远程医疗平台等多种场景，在未来生物医学应用中具有广阔的前景。不过，该模型也存在一定的局限性，比如在处理所有类别时性能有待进一步提高，面对不平衡数据集的能力还可优化。未来研究人员计划优化模型，并使用更大、更多样化的 PPG 数据集进行研究，以实现更精准的心律失常检测，为心脏健康监测和疾病诊断提供更有力的支持。