人工智能赋能智能手表ECG：多导联异步信号重建12导联心电图的突破性研究

《European Heart Journal》：AI-tools to make smartwatch ECG incrementally closer to clinical application

【推荐语】本研究针对智能手表单导联ECG诊断准确性受限的临床痛点，开发了基于双编码器-解码器深度学习网络的12导联ECG重建技术。通过将华为智能手表置于手腕（模拟I导联）和躯干（模拟II、V2导联）采集异步信号，经信号质量评估（basSQI/pSQI/hosSQI）和时序对齐处理后，成功实现重建误差率10%、Pearson相关系数0.85的精准重建，为移动医疗设备临床化应用提供新范式。

　　

随着可穿戴设备的普及，智能手表心电图（ECG）功能已成为健康监测的重要工具。然而，当前智能手表通常仅能提供单导联ECG信号，这种简化的信号采集方式严重限制了其临床诊断价值。传统12导联心电图能够从不同角度捕捉心脏电活动，是心血管疾病诊断的黄金标准，而单导联ECG无法全面反映心脏多维电生理信息。如何通过便携设备获得接近临床标准的12导联ECG数据，成为移动医疗领域亟待突破的技术瓶颈。

在这一背景下，由米兰理工大学与华为技术有限公司研发中心合作开展的研究取得了重要进展。该研究发表于心血管领域顶级期刊《European Heart Journal》，提出了一种创新性的解决方案：通过人工智能技术将智能手表在不同身体部位采集的多个异步单导联ECG信号重建为标准12导联心电图。

研究团队采用了双阶段深度学习策略，首先设计编码器-解码器网络解决多位置采集信号的时间同步问题，随后通过第二个网络将同步后的三导联信号映射至完整12导联ECG。这种分步处理方式有效克服了移动设备采集信号固有的异步性挑战。

研究方法方面，研究纳入了18名健康受试者（10男8女，年龄24±3岁），通过伦理审查批准（批准号：29/2021）。实验设计包含智能手表在手腕（模拟I导联，30秒采集，重复三次）和躯干两个位置（分别模拟II导联和V₂导联）的信号采集，同时以标准12导联ECG设备记录作为参考基准。深度学习模型采用80%样本训练、20%验证的数据划分方案。信号质量评估综合了basSQI（基于信号基线评估信噪比）、pSQI（基于功率谱分析）和hosSQI（基于偏度和峰度的高阶统计量）三种量化指标。

信号质量评估结果显示，胸部位置的智能手表ECG信号质量优异，162段30秒信号中约90%达到高质量单导联ECG标准。三种SQI指标的综合应用确保了输入数据的可靠性，为后续重建算法提供了坚实基础。

时序对齐效果经深度学习处理后显著提升，时间对齐精度改善约150%。这一突破性进展证明编码器-解码器网络能够有效解决移动设备采集固有的异步性问题，为多信号融合创造了必要条件。

12导联重建性能评估表明，基于三个同步化智能手表导联的重建结果与标准12导联ECG相比，波形百分比误差仅为10%，Pearson相关系数达到0.85。这一结果标志着移动设备ECG向临床级应用迈出了关键一步。

本研究论证了华为智能手表在躯干位置采集信号的优质特性，以及通过深度学习算法实现12导联ECG重建的技术可行性。该创新方法不仅提升了可穿戴设备的心电监测能力，更为远程医疗、家庭健康监测和心血管疾病早期筛查提供了新的技术路径。随着算法的进一步优化和临床验证的扩展，智能手表有望成为临床心电图检查的重要补充工具，实现真正意义上的便携式、医疗级心脏监测解决方案。