面向医疗物联网的单导联心电图房扑亚型分类轻量级混合深度学习架构

《IEEE Access》：Lightweight Hybrid Deep Learning Architecture for Single-Lead ECG Atrial Flutter Subtyping in IoMT Systems

本研究针对心房扑动（AFL）亚型（基于房室传导比率1:1至4:1）缺乏精细分类方法的临床挑战，提出了一种新颖的自动标注策略和轻量级混合深度学习模型（DSC-BiGRU）。该模型结合深度可分离卷积、双向门控循环单元和压缩激励注意力机制，在Chapman心电图数据集上实现了98.23%的准确率和98.27%的F1分数，并通过MIT-BIH数据库外部验证（AFL样本F1分数达1.0）。其轻量化设计（仅0.5M参数，2.3ms推理时间）和Grad-CAM可解释性分析，为可穿戴设备上的实时心脏监测提供了高效可靠的解决方案。

　　

心脏是人体的发动机，每一次规律而有力的搏动都维系着生命。然而，当心脏的电路系统出现故障，即发生心律失常时，这台发动机就可能“失速”或“乱跳”，带来严重的健康风险。其中，心房扑动（Atrial Flutter, AFL）是一种常见且复杂的心房心律失常，其特点是心房快速而规律地激动。临床上，医生发现AFL的严重程度和治疗方法与其房室传导比率（即心房激动次数与心室响应次数的比例，如1:1, 2:1, 3:1, 4:1）密切相关。例如，1:1传导可能导致极快的心室率，引发血流动力学不稳定，而4:1传导则可能导致心率过慢。然而，传统的心电图（Electrocardiogram, ECG）分析高度依赖 cardiologist 的经验，人工识别这些细微的传导模式差异既费时又容易出错。更棘手的是，当前大多数自动化人工智能诊断系统只能进行粗粒度的分类（如区分正常心律和房颤），无法实现AFL亚型的精细区分，这成为了精准医疗道路上的一个瓶颈。

为了解决这一临床痛点，由Nadjem Eddine Menaceur领衔的研究团队在《IEEE Access》上发表了一项创新研究。他们致力于开发一种智能、高效且易于理解的工具，能够从简单的单导联（通常是II导联）ECG信号中，自动识别出不同类型的AFL以及其他常见心房心律失常。这项研究的意义在于，它有望将专业的 cardiac 监测能力“装进”智能手表等可穿戴设备中，实现持续、实时的风险预警，为医生提供更精准的决策支持，最终让患者受益。

为了达成这一目标，研究人员巧妙地运用了几项核心技术。首先，他们利用Chapman心电图数据库（包含10,646名患者的12导联记录），从中提取单导联（II导联）数据，并创新性地利用数据集中心房率（AtrialRate）和心室率（VentricularRate）信息，自动计算并标注出AFL的四种亚型（AF1: 1:1传导, AF2: 2:1传导, AF3: 3:1传导, AF4: 4:1传导），解决了此类精细标注数据稀缺的问题。其次，针对数据类别不平衡（如房颤样本远多于AFL亚型）的挑战，他们采用了合成少数类过采样技术（Synthetic Minority Over-Sampling Technique, SMOTE）来生成少数类的合成样本，确保模型不偏向于多数类。研究的核心是设计了一个轻量级的混合深度学习模型。该模型架构深度融合了深度可分离卷积（Depthwise Separable Convolution, DSC，用于高效提取空间特征）、压缩激励（Squeeze-and-Excitation, SE）注意力机制（用于增强重要特征通道的权重）、残差连接（确保梯度有效传播）以及双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU，用于捕捉ECG信号的前后时序依赖关系）。整个模型参数仅约50万（0.5M），计算量仅295万次浮点运算（FLOPs），非常适合在资源受限的边缘设备上部署。最后，为了增强模型的可信度和临床可接受性，研究还引入了可解释人工智能（Explainable AI, XAI）技术， specifically 梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM），以热力图的形式可视化模型做出分类决策时所关注的ECG信号关键时段。

研究结果充分验证了所提出方法的有效性和优越性。

在模型性能方面，提出的DSC-BiGRU模型在Chapman数据集上表现卓越，平均准确率达到98.23%，F1分数为98.27%，精确度为98.25%，召回率为98.29%，特异性高达99.70%。尤为重要的是，通过严谨的10折交叉验证，模型性能表现稳定，最佳折次的准确率达到了98.48%，且各项指标的置信区间狭窄，证明了其良好的泛化能力。对于不同的AFL亚型，模型均展现出高分类性能，准确区分了不同房室传导阻滞模式。

在数据平衡策略评估中，SMOTE技术被证明是最有效的方案。与不使用平衡技术或使用生成对抗网络（GAN）、ADASYN等方法相比，SMOTE（k=10）能带来最高的宏F1分数（0.975）和平衡准确率（0.9751）。分析表明，SMOTE生成的合成样本在形态学上与真实ECG信号高度相似（平均皮尔逊相关系数达0.7442），有效提升了模型对少数类（如AFL亚型）的识别能力，且未导致过拟合。

在模型复杂性与轻量化对比中，DSC-BiGRU架构在准确性和效率之间取得了最佳平衡。与其他轻量级模型（如MobileNetV2-1D, ShuffleNetV2-1D, InceptionTime-1D, EfficientNet-1D）相比，DSC-BiGRU在保持最高分类性能的同时，其平均推理时间仅约2.3毫秒，满足实时性要求，凸显了其在可穿戴设备上应用的巨大潜力。

在模型可解释性方面，通过Grad-CAM生成的热力图清晰地显示，模型的学习重点与临床知识高度吻合。例如，对于房颤（AFib），模型关注点集中在不规则R-R间期和P波缺失的基线区域；对于AFL亚型，模型则能准确聚焦于与特定传导比率对应的扑动波（Flutter Waves）和QRS波群关系上。这极大地增强了临床医生对模型决策过程的信任。

在外部验证与泛化能力评估中，模型在MIT-BIH心律失常数据库的独立测试中同样表现出色。尽管MIT-BIH中AFL样本稀少，但模型对AFL样本达到了完美的分类效果（F1分数=1.0）。对所有目标心房心律类别的平均F1分数为0.85，对正常窦性心律（Sinus Rhythm, SNR）的识别F1分数为0.94，证明了该模型能够有效迁移到不同来源的临床数据上。

研究的结论部分总结并强调了本工作的多重贡献。本研究首次提出了基于房室传导比率对AFL进行精细亚型分类的AI框架，填补了该领域的空白。所设计的轻量级混合深度学习模型DSC-BiGRU，通过深度可分离卷积、注意力机制和循环神经网络的有机融合，在保证高精度的同时，显著降低了计算复杂度。广泛的内部验证（交叉验证）和外部验证（MIT-BIH）均证实了模型的有效性和鲁棒性。集成Grad-CAM提供的可视化解释，为模型的“黑箱”决策提供了临床洞察，推动了可信AI在医疗领域的应用。最终，这项研究为在资源受限的医疗物联网（Internet of Medical Things, IoMT）和可穿戴设备上实现实时、精准、可解释的心律失常监测，特别是复杂的AFL亚型识别，提供了一个强有力的技术方案，标志着向个性化、连续性的心脏健康管理迈出了坚实的一步。