编辑推荐：
房颤（AF）危害大且早期难发现，传统检测方法不便。研究人员开展基于心冲击图（BCG）信号的房颤检测研究，提出 FabosNet 系统。该系统检测准确率达 95.26% - 96.78%，能区分房颤与偶发心律失常，对早期筛查意义重大。
在心血管疾病的大舞台上，房颤（Atrial Fibrillation，AF）就像一个隐藏在暗处的 “健康杀手”，悄无声息地威胁着人们的生命健康。全球范围内，超过 1 亿人深受其害，仅中国就有 2000 多万患者，而且随着人口老龄化加剧，这个数字还在不断攀升。房颤不仅会引发心悸、胸闷、头晕等不适症状，更可怕的是，它会使缺血性中风的风险飙升至普通人的 6 倍，心力衰竭和脑梗死的风险增加 4 倍，心脏病致死风险提高 3 倍。若早期未得到有效治疗，约 20% 的阵发性房颤患者在 4 年内会发展为永久性房颤，患者不得不承受手术和长期服药的痛苦。
然而，这个 “杀手” 十分狡猾，早期症状隐匿且发作具有间歇性，很容易被患者忽视或误诊。目前，连续心电图（Electrocardiogram，ECG）或动态心电图（Holter）监测虽为房颤诊断的 “金标准”，但佩戴这些设备需直接接触皮肤，部分患者因舒适度和便利性问题不愿使用，还有些人会对电极材料过敏，这无疑给早期筛查工作设置了重重障碍。
在此背景下，心冲击图（Ballistocardiogram，BCG）信号检测技术进入了科研人员的视野。BCG 信号是心脏泵血时对身体产生的反作用力形成的机械信号，能反映心血管健康状况，而且通过放置在床垫、椅垫下的传感器就能采集，无需接触皮肤，可实现长期居家监测。但 BCG 信号也有 “软肋”，它易受噪声和人体活动干扰，数据质量不稳定，信号成分复杂难解释，以往基于 BCG 信号的房颤检测方法，或过度依赖时域特征，或需要较长高质量信号输入，难以区分房颤与偶发性心律失常，在实际应用中困难重重。
为了攻克这些难题，来自浙江大学医学院附属邵逸夫医院等机构的研究人员展开了一场科研攻关。他们提出了一种全新的方法 ——FabosNet，这是一种基于 BCG 信号的时频特征融合系统，用于床边夜间房颤筛查。该研究成果发表在《Biomedical Signal Processing and Control》上，为房颤早期筛查带来了新希望。
研究人员主要运用了以下关键技术方法：首先，收集了 70 名志愿者（其中 31 名房颤患者）的数据，所有实验均获得了浙江大学医学院伦理批准（20190520 - 67） ，且志愿者均签署了知情同意书。在数据处理阶段，先对采集到的 BCG 信号进行预处理，去除身体运动产生的伪影，再进行带通滤波并按需分割数据段。接着，采用连续小波变换（Continuous Wavelet Transform，CWT）将信号转换为多尺度时频谱图，并分解为三个不同频段。最后，设计了交叉频段注意力机制（Cross - band attention，CBA），以此提取 BCG 信号中不同时间尺度的房颤特异性特征 。
下面让我们看看具体的研究结果：
- 数据预处理：通过去除身体运动伪影、带通滤波和数据分段等操作，为后续分析提供了相对纯净、可用的数据，减少了外界干扰对信号分析的影响。
- CWT 和频段分解：利用 CWT 将 BCG 信号转换为时频谱图，增强了局部信息密度，能够更有效地提取关键成像特征。分解后的不同频段包含了不同的生理信息，为后续特征提取和房颤判断提供了多维度数据基础。
- 模型性能评估：在对 70 名受试者的数据集进行测试时，FabosNet 展现出了卓越的性能。对于不同长度（5 - 30 秒）的信号段，其检测准确率在 95.26% - 96.78% 之间。这意味着，即使是短短 5 秒的信号，FabosNet 也能精准识别房颤，大大提高了房颤早期筛查的效率和可行性。而且，与其他先进方法相比，FabosNet 能够有效区分房颤患者和偶发心律失常者，这一优势在早期筛查中至关重要，避免了将偶发心律失常误诊为房颤，也不会遗漏真正的房颤患者。
研究结论和讨论部分表明，FabosNet 在基于床边采集的 BCG 信号检测房颤方面表现出色，为房颤早期筛查提供了一种可靠、高效的新途径。它突破了传统检测方法的局限，减少了对患者的束缚，提高了筛查的准确性和便捷性，有望在家庭、医院等场景广泛应用，助力早期发现房颤，及时干预治疗，降低心血管疾病的发生风险，改善患者的生活质量和预后。但研究也存在一些挑战，比如虽然进行了不同受试者间的开放集实验评估，但在实际应用中，还可能面临更多复杂情况，需要进一步优化和完善。不过，这一研究成果无疑为房颤早期筛查领域点亮了一盏明灯，为后续研究和临床应用奠定了坚实基础，指引着科研人员朝着更精准、更便捷的房颤检测方向不断前行。
