基于分数阶超小波谱分析(FSSA)与深度学习的心律失常精准检测与分类新方法

本研究针对心电图(ECG)信号中存在的噪声干扰、峰值错位及微弱信号识别难题，提出了结合分数阶超小波谱分析(FSSA)与VGG19深度学习模型的创新解决方案。该方法在MIT-BIH多个心律失常数据库验证中取得98%准确率及99.32%特异度，显著提升多类型心律失常的自动检测精度，为临床心电诊断提供重要技术支撑。

　　

心电图(ECG)信号的自动化解析对心律失常早期识别与监护具有关键意义。由于心律失常生理机制的多样性以及慢性ECG特征存在的细微差异，构建可靠的自动诊断方法面临重大挑战。在检测过程中，伪影消除、峰值位移校正以及强频谱干扰下的微弱邻域信号处理等问题尤为突出。

为解决这些难题，本研究采用分数阶超小波谱分析(Fractional Superlet Spectral Analysis, FSSA)技术，通过引入小波分数阶次优化时频分辨率随频率变化的平滑度，有效实现信号去噪与峰值精确定位。清晰的时频模式表征显著提升了心率检测精度。同时研究构建了基于深度学习的诊断模型，利用信号的时频能量表征实现多类别心律失常的检测与分类。该方法为卷积神经网络(CNN)性能优化提供充分信息支撑，避免了传统伪影去除和特征提取步骤的复杂性。

研究在MIT-BIH心律失常数据库、恶性室性异位数据库、房颤数据库及室上性心律失常数据库上进行了系统验证。FASLT技术与VGG19网络的集成方案实现了98%的整体准确度，97.95%灵敏度，99.32%特异度，97.96%精确度和97.93% F₁-score。相较于现有方法，本方案在特异度指标上表现出显著优势。