自适应波形校正与时序建模技术在心电图（ECG）信号中特征波的检测中的应用

《Digital Signal Processing》：Adaptive Waveform Correction and Temporal Modeling for the Detection of Characteristic Waves in ECG Signals

自适应波形校正滤波器优化ECG特征波分布，IT-Net结合时空建模与可解释性框架实现稳定检测，实验验证其在标准及临床数据集上的高精度和鲁棒性。

　　分析心电图（ECG）中的特征波是诊断心脏疾病的重要手段。目前，特征波检测主要依赖于基于波形形态或其子序列的特征匹配方法。然而，个体差异和疾病本身可能导致特征波发生特定变化，这使得传统的特征匹配方案在面对多种疾病情况时难以有效识别这些波。尽管深度学习在提取疾病状态下特征波的非线性特征方面展现出巨大潜力，但其在医疗领域的可靠性仍受到专业人士的关注。

为了解决这些问题，我们提出了一种自适应波形校正滤波器，用于校正和增强ECG波形。通过减少患者与疾病之间的特异性，优化了特征波的数据分布，从而实现了波形与检测方法之间的双向匹配。这有助于提高检测的稳定性。随后，校正后的结果被输入到我们提出的可解释时间建模神经网络（IT-Net）中。IT-Net能够检测校正和增强后的标准12导联ECG中的特征波，其时间建模方法更有效地捕捉特征波之间的序列依赖关系。IT-Net识别出的序列依赖关系确保了其在波形分割中的可靠性。

在公共数据集上的实验表明，P波、QRS复合波和T波的检测误差均值和方差分别为：P波起始点误差为-2.5±13.9，P波结束点误差为0.48±11.3，QRS波起始点误差为0.04±7.2，QRS波结束点误差为0.2±7.0，T波起始点误差为-3.6±16.7，T波结束点误差为1.2±14.3。这些结果证明了所提出滤波器和IT-Net的稳定性。此外，我们还在临床数据集上验证了IT-Net的性能，结果表明该方法能够在疾病状态下有效检测特征波。

ECG作为一种诊断心血管疾病的工具，能够直接反映心脏的电活动。特征波是判断心脏健康状况的关键指标。P波的异常通常表明心房疾病，QRS复合波的异常则常提示心室传导障碍，而T波的异常则与心室疾病有关。心电活动与ECG信号之间的关系如图1所示。通过分析特定导联和特征波的异常，可以精确定位心脏疾病的位置。然而，不同疾病可能导致ECG特征波发生多种变化，这些变化既依赖于患者个体，也与所使用的导联有关，从而造成数据特征分布的一致性问题。这种固有的变异性带来了三个基本挑战：补偿个体生理差异、缓解多源数据异质性导致的领域变化，以及建立稳健的特征波检测框架。

为应对这些挑战，已有大量研究致力于准确分割ECG信号中的特征波。自Pan–Tompkins算法被引入用于自动QRS复合波检测以来，许多结合滤波和数学变换的方法被提出。这些技术通过阈值处理变换输出来确定特征波的起始和结束点，并在正常ECG记录中表现出良好的性能。然而，在患者出现形态异常的情况下，例如T波升高或降低，这些边缘检测方法往往无法准确地界定特征波。

为克服这一局限，特征提取技术逐渐成为特征波检测的主要策略。Gupta等人最近的研究结合了分数小波变换、Yule–Walker自回归分析和主成分分析，以提高在噪声环境下的ECG特征波检测精度。此外，Muthulakshmi和Kavitha采用优化的极限学习机（Extreme Learning Machine）来提升ECG特征波识别能力，而Huque等人引入了一种基于隐马尔可夫模型（HMM）的监督学习框架，能够实现R波的精确定位和特征波边界的界定。

这些方法提取了各种统计和形态特征，如小波系数、局部二值模式、高阶统计量和振幅描述符，以识别P波、QRS复合波和T波。然而，ECG信号表现出显著的个体间变异性，且不同疾病严重程度可能导致相同病理表现出现不同的波形形态。因此，现有的单向特征提取方法在面对异质性病理条件时难以实现稳健的特征波检测。

随着深度学习的发展，端到端方法在医疗诊断领域逐渐被采用，以解决ECG信号中特征波分割的挑战。利用深度学习的非线性特性和自动特征提取能力，降低了特征波检测的难度，使得在各种疾病条件下能够实现快速分割。目前，分割方法主要使用卷积神经网络（CNN）来实现ECG信号中的特征波分割。ECG分割与图像分割类似，U-Net在该领域表现出优异的性能。许多研究采用基于U-Net的架构进行特征波分割，并成功完成了这一任务。然而，纯卷积方法忽略了特征波之间的时序依赖关系，难以捕捉这些波的演变模式，可能导致在波形起始和结束点处的细微变化被遗漏。例如，P波持续时间短、振幅低，容易受到噪声干扰而被漏检。此外，这些方法在可解释性方面也面临挑战，使得在面对新数据时难以评估所提出神经网络的可靠性。

综上所述，ECG信号中特征波的检测精度受到多种因素的影响。不同导联表现出不同的波形形态，而病理条件如心肌缺血或肥厚可能导致P波、QRS复合波和T波的形态与健康个体不同。这些变化增加了传统单向匹配方法在特征提取中的复杂性。尽管深度学习模型能够自动学习判别性特征，但其在可解释性和数据依赖性方面存在局限，这限制了其在临床环境中的可靠性。

为克服这些挑战，我们提出了一种自适应波形校正滤波器，用于校正由心脏疾病引起的ST段形态畸变和P波与T波的反转。这一过程减少了波形的变异性，提高了数据分布的一致性，并增强了后续神经网络检测中特征波的可区分性。此外，我们设计了IT-Net，这是一种结合时序建模和全局特征提取的神经架构，实现了数据与算法之间的双向匹配，使信号级别的增强与模型级别的特征学习相协调。通过引入特征可视化和梯度追踪，我们进一步解释了模型的学习过程，并展示了其在公共和临床数据集上的可靠性。

本研究的主要贡献可以总结如下：

1. 自适应波形校正滤波器：一种自调整的增强机制，用于校正和放大P波和T波，同时保持生理一致性，实现信号与模型之间的双向匹配。

2. IT-Net架构：一种结合自注意力机制和双向时序建模的混合模型，能够捕捉局部依赖关系和全局波形结构，从而实现准确且稳健的特征波检测。

3. 可解释性框架：通过可视化特征激活和梯度分布，揭示网络如何学习和定位特征波，提高模型的透明度和临床可信度。

在相关工作中，已有大量研究集中在ECG信号中特征波的自动提取。ECG信号的个体差异以及疾病对其的影响增加了特征波准确检测的难度。在以下部分，我们将回顾两种主流方法：基于特征匹配的方法和基于深度学习的方法。

在方法论部分，如图2所示，我们提出的框架包括四个阶段：去除ECG伪影、应用自适应波形校正滤波器、心跳分割以及使用IT-Net进行特征波检测。伪影去除通过消除噪声和基线漂移确保信号的稳定性。波形校正通过增强P波和T波并校正形态畸变，提高了特征波的表示能力。分割后的心跳随后由IT-Net分析，以实现对P波、QRS复合波和T波的精确定位。

在实验部分，我们使用公开数据集与现有方法进行比较，并通过临床数据验证了所提方法的有效性。IT-Net的可解释性是其设计的核心。自注意力机制能够明确建模不同波形段之间的时序依赖关系，使P波、QRS复合波和T波之间的生理关联能够在统一的时序框架中被学习。同时，时间分布的输出层执行逐步分类，确保ECG信号中的每个时刻都能直接对应特定的生理事件。这种结构设计提供了良好的可解释性，使模型在面对复杂数据时具备更高的可信度。

此外，我们还探讨了所提方法的局限性。尽管该方法在提高可解释性和特征波检测稳定性方面表现出色，但在某些情况下仍存在不足。例如，算法在正常和心肌缺血患者的数据上表现良好，但在检测缺乏特征波的信号时仍需进一步改进。此外，为了全面捕捉ECG信号的时序特征，IT-Net采用了Transformer编码器结构，这需要更多的计算资源。因此，在实际应用中，需要权衡模型的性能与计算效率，以满足临床环境中的实时需求。

本研究的结论是，我们提出了一种自适应波形校正滤波器，能够增强ECG信号中P波和T波的表示，从而提高特征波检测的准确性和稳健性。该滤波器能够自适应地校正由心肌缺血引起的T波形态畸变，并放大P波和T波的振幅，实现信号与模型之间的双向匹配，以优化神经网络的性能。此外，我们还设计了一种可解释的端到端框架，使模型在面对复杂数据时具备更高的透明度和可靠性。

在实际应用中，IT-Net的可解释性不仅有助于理解模型的决策过程，还能增强医生对检测结果的信任。通过可视化特征激活和梯度分布，我们可以直观地看到模型是如何学习和定位特征波的，这有助于医生在临床环境中更有效地使用该方法。此外，IT-Net的结构设计使其能够适应不同类型的ECG信号，包括噪声较大的情况，从而提高了检测的鲁棒性。

尽管本研究取得了一定成果，但仍存在一些挑战和改进空间。例如，在处理某些特殊病理条件下的ECG信号时，模型的性能可能受到限制。此外，如何在保证模型性能的同时降低计算资源的需求，也是一个值得进一步研究的问题。未来的工作可以集中在优化模型的结构，使其在保持高精度的同时具备更高的计算效率，以满足临床环境中的实时需求。

此外，本研究的实验部分表明，所提方法在公共数据集和临床数据集上的表现均优于现有方法。这一结果不仅证明了方法的有效性，也展示了其在实际应用中的潜力。通过对比不同方法的性能，我们可以更好地理解各方法的优缺点，并为未来的研究提供参考。例如，传统的特征匹配方法在面对复杂病理条件时表现不佳，而深度学习方法虽然在特征提取方面具有优势，但在可解释性和数据依赖性方面存在不足。因此，我们需要一种能够兼顾这些方面的方法，以实现更准确和稳健的特征波检测。

总之，本研究通过提出自适应波形校正滤波器和IT-Net架构，解决了ECG信号中特征波检测的多个挑战。这些方法不仅提高了检测的稳定性，还增强了模型的可解释性，使其在临床环境中具备更高的可靠性。未来的研究可以进一步优化这些方法，使其在更广泛的病理条件下表现出色，并降低计算资源的需求，以满足实际应用的需求。