编辑推荐：
在生物医学信号分析中，准确分割心电等时间序列对诊断治疗至关重要。研究人员对比基于规则的方法、支持向量机（SVM）、UNet、Faster R-CNN 和 DENS-ECG，评估其分割性能。结果显示深度学习模型表现更优，UNet 达 88.9% 的分割得分，为临床应用提供依据。
在生物医学领域，心电（ECG）、心内电图（EGM）、脑电图（EEG）和肌电图（EMG）等时间序列数据的分析，如同打开人体健康密码的钥匙，对临床诊断和监测起着举足轻重的作用。其中，将这些信号准确分割成具有特定生理意义的片段，更是精准医疗的关键一环。例如，在分析 ECG 时，分割有助于识别 P 波、QRS 波群和 T 波等关键心脏事件，对于诊断心律失常和心肌梗死等疾病至关重要；EGM 分割则能帮助检测传导异常、绘制心律失常机制图并指导后续干预。
然而，这条探索之路并非一帆风顺。生物医学时间序列的解读充满挑战，噪声、运动伪影和相邻组织的远场电位等干扰因素，就像隐藏在信号中的 “捣蛋鬼”，严重影响测量精度。以往依赖专家手动标注的方法，不仅耗时费力，还容易出现观察者间的差异。为了摆脱这些困境，自动化分割算法应运而生，尤其是人工智能（AI）和深度学习方法，展现出巨大的潜力，为解决这些难题带来了新希望。
在此背景下，来自布尔诺科技大学（Brno University of Technology）和圣安娜大学医院（St. Anna’s Faculty Hospital）等机构的研究人员，开展了一项极具意义的研究。他们旨在对比多种分割方法，包括基于阈值的技术、统计模型和基于 AI 的方法，并将这些方法应用于真实的心内电图数据，探索在复杂噪声环境下的分割性能。
研究人员为开展此项研究，采用了一系列关键技术方法。数据方面，使用了来自 100 例儿科患者的心内电图数据库，这些数据经过当地伦理委员会批准用于研究。对于不同的分割算法，分别进行了相应的处理。如基于规则的方法，利用小波变换对信号进行预处理；SVM 则通过手工特征提取和小波分解构建模型；1D U-Net、Faster R-CNN 和 DENS-ECG 等深度学习模型，分别采用特定的网络结构和优化方法。此外，运用贝叶斯优化（BO）确定各方法的最优参数，使用多种评估指标从样本和实例层面评估算法性能，并通过统计分析对比不同方法的误差方差。
下面来看看具体的研究结果：
- 样本和实例层面的性能：在样本层面的分割结果对比中，UNet 神经网络表现突出，其 Dice 评分达到 88.9%，远超其他方法。在实例层面，UNet 和 DenseNet 在测量心房活动的起始和结束时间时，均优于 SVM、基于规则的方法和 Faster R-CNN。
- 对人工噪声的鲁棒性：AI 驱动的方法在面对不同类型的噪声时，表现出较强的稳定性。当添加高斯白噪声（GWN）和 50Hz 电源线干扰（PLI50）时，其 Dice 评分下降幅度较小。而基于规则的方法对 GWN 非常敏感，在高噪声水平下 Dice 评分几乎降至零；SVM 对PLI50较为敏感，评分下降明显。
- 计算延迟：在处理 1 秒的 EGM 片段时，基于规则的方法处理速度最快，而在处理较长的 EGM 序列时，UNet 方法的延迟最低，展现出在长时间序列处理方面的优势。
在研究结论和讨论部分，研究表明机器学习（ML）和 AI 方法，尤其是深度神经网络，在各种复杂的临床环境中，都能提供更优异的分割性能，即使面对低信号质量的情况也不例外。不同方法各有优劣，基于规则的方法简单但难以捕捉复杂的多维依赖关系；SVM 依赖手工特征提取，其时间感受野有限；而深度学习模型虽然计算负载较高，但能自动提取特征并分析导联间的相关性。此外，研究还指出，当前缺乏全面的公共心内电图数据集，限制了算法的开发和评估。本研究使用了来自 100 例患者的 320 多个电图，涵盖多种心律，一定程度上解决了这一问题。
这项研究成果发表在《Scientific Reports》上，为生物医学时间序列分割领域提供了重要的参考。它不仅让我们对不同分割方法的性能有了更深入的了解，也为后续的临床应用和研究指明了方向。深度学习方法在生物医学信号处理、电解剖标测和心律失常分类等任务中的巨大潜力，有望推动电生理学等相关领域的进一步发展，为精准医疗带来更多可能。
