编辑推荐：
心血管疾病（CVDs）是全球主要死因，早期通过心电图（ECG）检测意义重大。研究人员利用非线性分析方法，结合递归图（RP）和递归定量分析（RQA），对多种 CVDs 进行分类，准确率高达 100%。该研究为 CVDs 诊断提供新途径。
在全球范围内，心血管疾病（CVDs）犹如一颗 “健康炸弹”，时刻威胁着人类的生命安全，它是导致死亡的首要原因，给公共卫生和医疗系统带来了沉重负担 。心血管疾病包含多种病症，像心肌梗死（俗称心脏病发作）、束支传导阻滞、心肌病以及心律失常等，每种疾病在心电图（ECG）上都有着独特的表现。然而，传统的手动心电图分析方式既耗时又费力，难以满足临床快速诊断的需求。虽然卷积神经网络等自动化方法已应用于心电图分类，但这些方法在捕捉心电图信号中复杂的非线性动力学特征方面存在不足，而这些特征对于理解心血管疾病至关重要。在此背景下，开展新的研究来攻克这些难题迫在眉睫。
印度国家科学教育与研究学院（National Institute of Science Education and Research）和印度科学研究所（Indian Institute of Science）的研究人员针对上述问题展开了深入研究。他们提出了一种基于非线性分析的创新方法，将递归图（RP）可视化与自动编码器（autoencoder）的潜在空间嵌入以及递归定量分析（RQA）相结合，用于对不同类型的心血管疾病进行分类。研究结果令人瞩目，该方法在分类心肌梗死、束支传导阻滞、心肌病、心律失常和健康对照时，取得了高达 100% 的分类准确率。这一成果意义非凡，为心血管疾病的早期检测提供了一种强大且精准的工具，有助于提高临床诊断的效率和准确性，为患者的治疗争取宝贵时间。该研究成果发表在《npj Cardiovascular Health》杂志上。
研究人员在研究过程中运用了多种关键技术方法。首先，使用 PhysioNet 的 Physikalisch - Technische Bundesanstalt（PTB）数据集，该数据集包含了来自 290 名受试者的 549 个标准 12 导联心电图信号记录 。然后，通过递归图将一维心电图信号转换为二维图像，以此捕捉心脏系统的时间依赖性和潜在动力学。接着，利用基于卷积神经网络的自动编码器对递归图进行降维，获取 14×14 的潜在空间嵌入，同时使用 Adam 优化器进行训练 。最后，从潜在空间嵌入中提取 10 个 RQA 特征，并运用自定义的卷积神经网络分类器和堆叠分类器进行心血管疾病的分类。
下面来看具体的研究结果：
- 基于递归图潜在空间嵌入的高精度心电图分类：研究人员将每个心电图通道转换为 224×224 的递归图，再经自动编码器处理得到 14×14 的潜在空间嵌入，将其作为自定义卷积神经网络分类器的输入。该分类器表现卓越，达到了 100% 的峰值准确率，混淆矩阵热图和 t - SNE 可视化清晰展示出模型能精准区分不同的心脏疾病和健康对照。
- 基于潜在空间 RQA 的心血管疾病预测洞察：从自动编码器生成的 14×14 潜在空间嵌入中提取 10 个 RQA 特征，包括复发率（RR）、确定性（D）等。通过 Wilcoxon 秩和检验，确定了 5 个在不同研究组间存在显著差异的 RQA 特征。以这些特征作为堆叠集成分类器的输入，分类峰值准确率达到 97.05%，进一步验证了 RQA 特征在区分不同心脏疾病方面的有效性。
在研究结论和讨论部分，递归图在研究心血管疾病时展现出独特优势，它能揭示心电图信号中的复杂复发模式，捕捉传统线性分析方法易忽略的非线性和非平稳特征，从而加深对心脏动力学的理解，提高对不同心血管疾病的区分能力。与传统仅依赖单个 RQA 分析递归图的方法不同，该研究将递归图的特征嵌入与基于嵌入的 RQA 测量相结合，为心血管疾病分类提供了更有效的技术手段。并且，该方法在不同类型的分类器上均表现出色，证明了其稳健性和通用性。不过，研究也存在一定局限性，如样本量较小可能影响结果的普遍性，心电图数据中的噪声也可能干扰方法的有效性。未来研究可探索整合更多非线性分析技术和先进深度学习架构，扩大数据集范围并实现实时处理，以进一步提升该方法在临床实践中的应用价值。总体而言，这项研究为心血管疾病的诊断开辟了新的方向，有望推动心血管疾病诊断技术的进一步发展，造福更多患者。
