基于特征融合模型的非接触式生命体征信号在心力衰竭诊断与射血分数分级中的应用研究

本研究针对传统单维度特征分析在左心室射血分数(LVEF<40%)动态监测中的局限性，创新性地开发了融合手工特征与深度特征的混合框架(MF+MS-ResNet18-BiLSTM+CA)，通过83例临床样本验证，在二分类和三分类任务中分别达到98.20%和98.76%的准确率，为家庭场景下HFrEF筛查提供了方法论基础。

　　

心力衰竭(HF)作为全球公共卫生重大挑战，其高死亡率与复杂病理机制使得动态监测成为临床刚需。当前左心室射血分数(LVEF)分级主要依赖超声心动图，但存在设备昂贵、操作依赖性强等瓶颈，而心电图(ECG)监测又因电极不适难以长期使用。心冲击图(BCG)虽展现家庭监测潜力，但传统手工特征(MF)方法对LVEF<40%的HFrEF识别效能有限，这正是Shen Feng团队在《Computational and Theoretical Chemistry》发表研究的突破口。

研究团队创新性地构建了多技术融合体系：从广东省中医院招募83名受试者(28健康/55HF)，采用压电传感器采集非接触生命体征信号；通过0.2-30Hz带通滤波分离BCG与呼吸信号；开发MS-ResNet18-BiLSTM网络提取多尺度深度特征(DF)；设计交叉注意力(CA)机制融合33维MF与DF特征。关键技术包括：10秒等长信号分段、模糊熵(FE)等非线性特征计算、三尺度(1/2/4)时空特征提取、以及加权交叉熵损失函数优化。

研究结果部分揭示重要发现：

1. 1.

   数据特征方面：通过Z-score归一化处理的子段功率波动特征(Power_L)和互信息系数(MIC_L-1)对分类贡献度最高，如图7所示。

2. 2.

   模型比较显示：多尺度模块使三分类准确率提升11.67%，证实2.5秒尺度最能捕获病理特征。

3. 3.

   最终性能上：特征融合模型在标准5折验证中，LVEF≥40%与LVEF<40%的HF分类F1值达98.72%，显著优于单一特征方法。

该研究突破性地实现了三个创新：首次将BCG呼吸信号协同分析应用于LVEF分级；开发的多尺度残差网络可同时捕捉瞬态心搏事件与持续血流动力学节律；构建的医疗级框架为家庭HFrEF筛查提供新范式。尽管样本量限制导致组间交叉验证性能下降(64.33%)，但高达98.76%的组内准确率已证实压电传感技术的临床转化潜力，尤其对资源匮乏地区的HF管理具有重要实践意义。