编辑推荐：
为解决心律失常分类中深度学习技术仅基于 ECG 数据、缺乏心脏电生理学数学基础的问题，研究人员开展基于多目标小龙虾优化算法变分模态分解（MOCOA-VMD）的心律失常信号分类研究，结果显示模型精度达 95.91% ，为心律失常信号处理提供新策略。
在当今社会，心血管疾病已然成为全球范围内威胁人类健康的 “头号杀手”，其中心律失常更是让无数患者陷入痛苦的深渊。心律失常表现为心跳节奏或频率异常，可能看似不起眼，却隐藏着巨大的健康风险，从轻微不适到危及生命，其危害不容小觑。准确诊断和分类心律失常对于制定有效的治疗策略至关重要，但传统的基于规则的诊断方式，在面对海量复杂的医疗数据时，就像一个笨拙的巨人，效率低下且依赖专业知识，难以达到令人满意的诊断准确率。
近年来，人工智能在心电图（ECG）领域掀起了一股热潮，卷积神经网络（CNN）、长短期记忆网络（LSTM）等深度学习技术纷纷登场，它们能够敏锐地捕捉到人类难以察觉的信号特征，让心电图成为了强大的无创生物标志物。然而，ECG 信号异常的原因错综复杂，冠心病、心力衰竭、高血压等多种疾病都可能引发，这使得心律失常的分类工作困难重重。更为关键的是，目前大多数深度学习技术在进行心律失常分类时，仅仅依赖 ECG 数据，就像在沙滩上建高楼，缺乏心脏电生理学的数学基础，根基不稳。
为了填补这一关键空白，浙江省人民医院信息中心以及中国科学院大学杭州高等研究院物理与光电工程学院的研究人员展开了深入研究。他们建立了一种全新的心律失常信号分类机制模型，相关成果发表在《Scientific Reports》上，为心律失常的研究开辟了新的道路。
研究人员在这场探索之旅中运用了多种关键技术方法。他们基于 FitzHugh-Nagumo（FHN）模型构建了人体心脏的有限元模型（FEM），以此模拟心脏电生理过程，就像是在虚拟世界中打造了一颗 “数字心脏”，能精准获取心脏电活动的详细信息。同时，采用变分模态分解（VMD）技术对 ECG 信号进行处理，将复杂的信号拆解成一个个简单的本征模态函数（IMF）。此外，引入多目标小龙虾优化算法（MOCOA）对 VMD 的关键参数进行优化，通过模拟小龙虾的自然行为，寻找最佳的参数组合。最后，构建基于 MOCOA-VMD 的深度注意力模型进行心律失常信号分类，并运用贝叶斯优化方法对模型超参数进行微调，让模型的性能更上一层楼。
理论基础搭建：为研究筑牢根基
研究人员首先深入研究了心电信号建模和处理的理论基础。FHN 模型作为神经元动力学的经典模型，简化了复杂的 Hodgkin-Huxley 模型，却精准保留了动作电位产生和传播的关键特征，成为了研究心脏电生理的有力工具。有限元方法（FEM）则为求解复杂的心脏电生理方程提供了高效途径，它能将心脏的复杂结构和电生理过程转化为可计算的数值模型。而变分模态分解（VMD）技术，凭借其独特的变分公式和优化算法，能够将多分量信号分解为多个具有特定稀疏性和带宽的 IMF，在信号处理领域展现出强大的优势。此外，研究人员还引入了 Transformer 模型中的注意力机制，它就像模型的 “智慧之眼”，能让模型在处理信号时聚焦关键信息，忽略冗余内容，大大提高了信号特征提取的效率。
模型构建与信号获取：打造研究的核心工具
在构建人体心脏和心律失常心电信号获取模型的过程中，研究人员可谓煞费苦心。他们利用磁共振成像（MRI）数据，精心构建了三维人体心脏模型，再借助 COMSOL Multiphysics 平台进行偏微分方程（PDE）求解和结果可视化。通过调整 FHN 模型中的关键参数 a 和 ε，模拟出两种不同类型的心律失常，并获取了相应的合成 ECG 信号。这些信号就像一把把钥匙，为后续的研究打开了大门。
优化 VMD：寻找信号分解的最优解
为了找到 VMD 的最佳参数组合，研究人员对小龙虾优化算法（COA）进行了创新性改进，提出了基于非支配排序的多目标 COA（MOCOA）。COA 模拟了小龙虾的自然行为，在觅食、竞争和避暑等行为中不断优化自身位置，寻找最优解。MOCOA 在此基础上，引入非支配排序和拥挤度排序算法，使其能够处理多目标优化问题。研究人员将光谱峭度（SK）和 Kullback-Leibler（KL）散度作为评估 VMD 性能的指标，通过 MOCOA 对 VMD 的参数 K 和 α 进行优化。经过多轮迭代，成功找到了最优的参数组合，使得分解后的 IMF 信号更加平滑，有效减少了噪声和伪影的干扰。
模型建立与优化：提升心律失常分类精度
研究人员构建了基于 MOCOA-VMD 的深度注意力模型用于心律失常信号分类。在数据采集阶段，他们从模拟的 ECG 信号中选取了 200 个代表性点，并添加不同信噪比的高斯噪声，模拟真实的临床环境。经过 MOCOA-VMD 方法分解信号后，将得到的 IMF 信号输入深度注意力模型。通过消融研究对比不同分解方法和特征提取模块的性能，结果表明基于 MOCOA-VMD 的模型表现最为出色，准确率高达 94.35%。随后，研究人员运用贝叶斯优化方法对模型的超参数进行微调，进一步提高了模型性能，使模型的最高准确率达到了 95.91%。利用混淆矩阵评估模型在不同 ECG 信号模式分类中的准确性，发现该模型在分类不同模式的 ECG 信号时取得了优异的成绩。此外，研究人员使用广泛认可的 MIT-BIH 心律失常数据库对模型进行验证，结果显示模型在训练集和测试集上的准确率分别达到了 94.52% 和 91.68%，充分证明了模型的稳健性和泛化能力。
这项研究意义重大，为心律失常信号处理提供了全新的策略和方法。基于 MOCOA-VMD 的深度注意力模型在心律失常分类任务中展现出了卓越的性能，不仅提高了诊断准确率，还为临床医生提供了有力的决策支持。从更广泛的角度来看，该研究方法在数学建模和实际应用方面都展现出了巨大的潜力，有望在脑电图（EEG）信号、呼吸信号、血压信号等其他生物信号处理领域得到应用，为生命科学和健康医学的发展注入新的活力，让更多患者受益于精准的医疗诊断和治疗。
