基于小波散射网络和ECG信号平稳性假设的心力衰竭检测新方法研究

针对心血管疾病(CVDs)早期检测的临床需求，Mohamed Elmehdi Ait Bourkha团队创新性地结合小波散射网络(WSN)、线性判别分析(LD)和ECG信号平稳性假设，开发了一种跨患者范式下的高精度分类模型。该研究在MIT-BIH等权威数据库验证中取得99.61%的整体准确率，为心力衰竭(CHF)和心律失常(ARR)的自动化诊断提供了突破性解决方案。

　　

心血管疾病(CVDs)已成为全球头号健康杀手，每年夺走约1790万人的生命。世界卫生组织预测，到2030年CVDs导致的死亡人数将攀升至2330万，其中80%发生在中低收入国家。面对这一严峻形势，早期准确诊断显得尤为重要。心电图(ECG)作为临床最常用的无创检测手段，其信号分析却面临巨大挑战：传统人工判读耗时费力且易出错，而现有自动化算法在跨患者场景下性能显著下降——这正是卡迪阿亚德大学马拉喀什国立应用科学学院(ENSA Marrakech, Cadi Ayyad University)信息技术与建模实验室团队开展此项研究的核心动因。

研究人员在《Scientific Reports》发表的这项突破性工作中，创造性地将小波散射网络(WSN)与ECG信号的平稳性假设相结合，开发出能同时识别正常窦性心律(NSR)、心律失常(ARR)和充血性心力衰竭(CHF)的智能诊断系统。关键技术包括：1)采用Gabor小波构建WSN提取时频特征；2)基于MIT-BIH ARR、NSR和BIDMC CHF三大数据库的跨患者数据划分；3)创新性应用ECG节律平稳性假设，通过加权投票整合连续信号段的预测结果。

方法学创新
研究团队首先从MIT-BIH等数据库获取162例患者的ECG长时程记录，通过2048点分段生成5184个信号片段。特征提取阶段采用具有57个一阶滤波器和9个二阶滤波器的WSN架构，其Gabor小波设计特别匹配QRS波群形态。关键突破在于提出"ECG节律平稳性假设"——即同一患者ECG中异常节律具有时间延续性，据此对连续3个信号段（含12个预测结果）实施加权投票，显著提升跨患者场景下的分类鲁棒性。

性能验证
在最具挑战性的跨患者范式测试中，模型展现出惊人性能：整体准确率99.61%，敏感度99.35%，特异性99.74%。特别是对CHF的识别准确率达98.44%，较此前Nahak等报道的96%实现显著提升。ROC曲线分析显示三类别的AUC值均接近1，证实模型具有完美的真阳性/假阳性区分能力。

技术优势
与传统深度学习方法相比，该方案具有三大突出优势：1)WSN的白盒特性使其决策过程可解释；2)0.42秒/段的处理速度满足实时性要求；3)仅需6400字节/段的内存占用，为嵌入式设备部署奠定基础。研究同时验证了平稳性假设的增效作用——相比基线模型直接输出，加权投票策略带来20.21%的准确率提升。

这项研究为心血管疾病的无创诊断树立了新标杆。其创新性不仅体现在技术层面（首次将平稳性假设引入ECG自动分析），更在于解决了机器学习在医疗领域应用的核心痛点——跨患者泛化能力。团队指出，未来可进一步优化WSN路径选择机制，并探索在便携设备上的临床应用，这将为资源匮乏地区的CVDs筛查提供革命性工具。正如研究者强调的，当全球面临心血管疾病负担持续加重的严峻形势时，此类高效、低成本的自动化诊断技术显得尤为珍贵。