基于小波变换与加权可视图特征融合的心律失常智能诊断新方法

本研究针对心电图(ECG)信号分类中传统特征提取方法的局限性，创新性地将加权自然可视图(NVG)与离散小波变换(DWT)相结合，通过提取邻接矩阵上三角对角线特征，结合多通道Inception模型，在PTB-XL数据集上实现99.30%的AUC值，为心血管疾病智能诊断提供了新范式。

　　

心血管疾病是全球首要死因，而心电图(ECG)作为临床诊断的黄金标准，其自动分析技术面临重大挑战。传统机器学习依赖人工特征工程，难以捕捉ECG信号的复杂时空模式；深度学习虽能自动提取特征，但存在计算复杂度高、需要海量数据等问题。更棘手的是，ECG信号易受呼吸、运动等生理噪声干扰，且病理特征可能隐藏在毫伏级的波形变异中。这些瓶颈促使研究者探索新的信号表征方法——将时间序列转化为图形结构，有望突破现有技术天花板。

《Biomedical Signal Processing and Control》刊载的研究中，科研团队提出革命性的解决方案：通过加权自然可视图(WVG)将ECG信号转换为图结构，仅提取邻接矩阵前三对角线特征，大幅降低维度；结合bior3.9小波自适应阈值去噪和Pan-Tompkins算法数据增强，构建多通道Inception分类模型。该方法在PhysioNet-PTB-XL多标签数据集上验证，取得0.08损失值和99.30% AUC的突破性性能，超越现有所有基线模型。

关键技术包括：1) 基于离散小波变换(DWT)的自适应阈值去噪；2) 加权自然可视图转换；3) 邻接矩阵上三角对角线特征提取；4) 多通道Inception迁移学习模型；5) 采用PTB-XL数据集(21,801例12导联ECG)进行验证。

Dataset
研究使用PhysioNet发布的PTB-XL数据集3.0版本，包含18,869患者的21,801条10秒长度ECG记录，采样率分100Hz/500Hz两档，标注涵盖5大类心脏疾病。

Results and discussion
实验显示：1) 三对角线特征保留ECG关键拓扑属性，较全矩阵降低87.5%参数；2) bior3.9小波去噪使信噪比提升12.6dB；3) 数据增强使少数类样本增加3倍；4) 多通道Inception模型对传导障碍检测F1-score达98.2%。

Conclusion
该研究开创性地证明：图网络特征与深度学习结合可显著提升ECG分类性能。加权可视图能有效捕捉RR间期变异等隐形特征，三对角线策略实现特征空间的最优压缩。该方法为可穿戴设备实时心律失常检测提供了新思路，其图特征提取范式可推广至EEG、EMG等多模态生物信号分析。

研究团队Rawaa Mejri等指出，未来方向包括：1) 探索动态可视图表征心电演变过程；2) 开发轻量化模型适配移动终端；3) 验证方法在心肌缺血早期预警中的价值。这项工作标志着生物医学信号处理正式进入"图表示学习"时代。