基于Transformer的心电信号跨数据集域泛化与特征可解释性研究

《Scientific Reports》：Research on cross-dataset cardiac signal domain generalization and feature interpretability

本研究针对心电信号(ECG)分析中存在的域偏移(domain shift)和模型可解释性不足两大挑战，提出了一种融合域不变特征增强模块(DFEM)和可解释性驱动的注意力约束机制(IACM)的Transformer框架。通过在MIT-BIH、INCART等四个权威心律失常数据库上的实验表明，该方法在目标域上取得了最佳性能（MIT-BIH Arrhythmia准确率达0.768，INCART的F1-score达0.898），同时通过特征重要性分析和t-SNE可视化验证了模型对临床相关特征的关注一致性，为智能心电模型的临床部署提供了重要支撑。

　　

随着医疗人工智能的快速发展，心电图(ECG)作为最广泛应用的心脏电生理信号，已被广泛用于心律失常和各类心脏疾病的自动检测与辅助诊断。然而，当训练好的模型应用于新的医院、不同的采集设备或人群时，性能往往会出现显著下降——这就是令人头疼的"域偏移"(domain shift)问题。就像让一个在北方学开车的人突然去南方开车，虽然都是驾驶，但道路环境、交通标志的差异会让他措手不及。心电信号分析领域同样面临这样的困境：不同数据集在采集设备、受试人群、采样条件和标注标准等方面存在差异，导致模型在"未见过的"数据上表现不佳。

更棘手的是，当前主流的深度学习模型就像"黑盒子"，医生们虽然能看到诊断结果，却很难理解模型到底是根据信号的哪些特征做出判断的。这种可解释性的缺失严重阻碍了智能心电模型在真实临床场景中的落地应用。医生们需要的是不仅准确，还要"讲得清、说得明"的辅助诊断工具。

针对这两大挑战，来自攀枝花中心医院、天津医科大学总医院和福建医科大学协和医院的研究团队在《Scientific Reports》上发表了一项创新研究，提出了一种基于Transformer的跨数据集心电信号域泛化框架，巧妙地将域不变特征增强与可解释性驱动机制融为一体。

研究人员采用了几个关键技术方法：首先是以Transformer为核心架构，利用其自注意力(self-attention)机制捕捉心电信号的全局时序依赖关系；其次是设计了域不变特征增强模块(DFEM)，通过多源统计对齐和跨域对比学习减轻分布差异；再者是引入了可解释性驱动的注意力约束机制(IACM)，利用特征重要性先验引导模型关注临床相关特征。实验数据来源于PhysioNet的四个权威心律失常数据库(MIT-BIH Supraventricular、MIT-BIH Arrhythmia、INCART和SCD-Holter)，采用留一数据集(leave-one-dataset-out)的跨域评估策略。

5.1 与其他域泛化算法的对比实验结果

研究团队与多种主流域泛化方法进行了全面对比，包括MetaReg、FSDR、SelfReg等Transformer变体以及非Transformer结构的DGMamba。结果表明，提出的方法在四个目标域的所有指标上均取得最佳性能。在MIT-BIH Arrhythmia数据集上准确率达到0.768，比基线Transformer提升8.4%；在INCART数据集上F1-score达到0.898，比次优方法提升4.7%。特别是在分布差异较大的SCD-Holter数据集上，该方法仍能保持稳定性能，证明了其强大的域泛化能力。

5.2 本算法加入不同骨干网络的实验结果

为了验证方法的普适性，研究团队还将提出的模块与MLP、LSTM和1D-CNN等传统深度学习架构结合。实验显示，即使在这些基础模型上，添加DFEM和IACM模块后，在所有目标域上的性能均有明显提升。这表明该框架提供的特征对齐和可解释性约束能力具有架构无关的通用性，为不同复杂度模型的域泛化提供了可行方案。

5.3 消融实验结果

通过系统的消融实验，研究人员验证了DFEM和IACM模块的独立贡献和互补性。单独添加DFEM或IACM均能带来性能提升，而两者结合时效果最佳。统计显著性分析（p值均小于0.05）进一步证实了改进的可靠性。在最具挑战性的MIT-BIH Supraventricular Arrhythmia数据集上，完整模型相比基线Transformer在准确率上提升了8.4个百分点，充分证明了多模块协同设计的有效性。

5.4 特征重要性分析

通过分析模型对不同特征维度的关注程度，研究发现模型在不同数据集上均稳定关注具有临床意义的心电特征，如RR间期、PQ间期、QT间期等。这些特征在心律失常诊断中具有明确的生理意义，例如RR间期变异与心房颤动相关，QT间期延长与室性心律失常相关。这种一致性表明模型的学习过程与临床先验知识高度吻合，增强了结果的可信度。

5.5 特征注意力可视化

注意力可视化结果直观展示了模型对关键心电特征的关注模式。在不同数据集上，模型均能自适应地分配注意力权重，对临床重要特征（如R波峰值、ST段等）给予更高关注度。这种可视化为医生理解模型决策过程提供了直观依据，架起了人工智能与临床诊断之间的桥梁。

5.6 混淆矩阵和t-SNE分析

t-SNE可视化显示，该方法在低维空间中能有效区分不同类别的心跳特征，正常搏动（N类）和室性早搏（VEB类）形成清晰的聚类边界。混淆矩阵分析表明，模型对主要类别（N类和VEB类）识别稳定，而在形态学相似的类别（如融合搏动F类和室上性早搏SVEB类）间存在一定混淆，这反映了心电信号本身存在的分类挑战，也为未来研究指明了改进方向。

5.7 噪声鲁棒性分析

通过添加不同强度的高斯白噪声（σ=0.10, 0.05, 0.01），研究人员验证了模型的噪声鲁棒性。实验结果显示，即使在高噪声水平（σ=0.10）下，模型性能下降幅度有限，特别是在INCART数据集上表现最为稳定。这种鲁棒性源于域不变特征对齐机制，使模型能够从噪声中提取稳定的心电表征。

5.8 计算资源和训练时间讨论分析

在计算效率方面，完整模型相比基线Transformer在内存使用（12.4GB vs 10.8GB）和训练时间（4.8h vs 3.6h）上仅有小幅增加，表明提出的模块在提升性能的同时保持了较高的计算效率，为临床实时应用提供了可能。

该研究的结论部分指出，提出的框架成功解决了心电信号跨数据集分析中的域泛化和可解释性难题。通过域不变特征增强和可解释性注意力约束的协同作用，模型在保持高判别性能的同时，提供了透明化的决策依据。与基线Transformer相比，该方法在所有目标域上平均准确率提升约6.5%，召回率提升5.1%，F1-score提升5.3%，且在噪声环境下表现出良好鲁棒性。

讨论部分也指出了研究的局限性：在类别边界模糊或样本不平衡的数据集上，对融合搏动和室上性早搏等类别的区分仍存在挑战；当前研究局限于单模态心电信号，未来可扩展至光电容积脉搏波(PPG)、心音图(PCG)等多模态生理信号；可解释性方法主要依赖注意力权重，未来可融合因果推理和图神经网络等技术提升解释的稳定性。

这项研究不仅在心电信号域泛化和可解释性方面取得了重要进展，更为智能心电模型在真实临床环境中的部署奠定了坚实基础，推动了医疗人工智能从"实验室精度"向"临床价值"的转变。