编辑推荐：
心律失常严重威胁人类健康，传统心电图（ECG）诊断方法存在不足。研究人员开展 “ECG-based cardiac arrhythmia classification using fuzzy encoded features and deep neural networks” 研究，提出新框架，在 MIT-BIH 数据集上分类效果出色，为心律失常诊断提供新途径。
在健康领域，心律失常是个不容忽视的 “健康杀手”。它会使心脏跳动异常，或过快、或过慢、或毫无规律。这种异常可不是小问题，它大大增加了心血管疾病患者猝死的风险，时刻威胁着人们的生命安全。目前，心电图（ECG）是检测心律失常广泛使用的非侵入性工具。然而，传统依靠医疗专业人员手动分析 ECG 信号的诊断方法，不仅耗费大量人力、容易出错，而且极为耗时，在大规模筛查时显得力不从心。尽管深度学习（DL）模型在心律失常分类方面展现出一定潜力，但也存在诸如可解释性差、计算成本高以及容易将正常心跳误判为病理状态等问题。在这样的背景下，开展新的研究来寻找更有效的心律失常诊断方法迫在眉睫。
为了解决这些难题，有研究人员开展了关于 “基于模糊编码特征和深度神经网络的心电图心律失常分类” 的研究。最终他们提出的新框架在心律失常分类上取得了优异成果，这一研究成果发表在《Biomedical Engineering Advances》上，为心律失常的诊断带来了新的曙光。
研究人员在此次研究中运用了多种关键技术方法。首先是傅里叶贝塞尔级数展开（FBSE）和可调 Q 小波变换（TQWT），这两种技术结合用于 ECG 信号分解，能有效提取信号的时频特征。接着，利用主成分分析（PCA）进行降维，减少数据维度的同时保留关键信息。最后，将模糊编码特征融入深度神经网络（DNN）构建分类模型，对心律失常进行分类。研究数据来自 MIT-BIH 心律失常数据库，从该数据库中提取了大量心跳数据用于分析。
下面来看看具体的研究结果：
- 性能评估指标：研究采用精确率（Precision）、召回率（Recall）和 F1 分数（F1-Score）等指标评估分类器性能。这些指标从不同角度反映了模型对心律失常识别和分类的能力，为准确衡量模型效果提供了依据。
- 实验结果和比较：研究人员对 MIT-BIH 心律失常数据库中的 ECG 信号进行处理，通过 FBSE 和 TQWT 将信号分解为多个子带组件，详细分析了不同子带的系数和能量分布。在重建误差分析中发现，FBSE-TQWT 在保持信号保真度方面明显优于传统方法，能更好地保留原始 ECG 波形。经 PCA 降维后，选取 12 个主成分进行后续分析。通过 Kruskal-Wallis 检验和 Dunn's post-hoc 检验发现，多数主成分在不同心律失常类别间存在显著差异，这表明所选主成分能有效区分不同的心律失常类别。将模糊逻辑与 DL 相结合构建的模型，在多种训练测试分割比例下进行实验，结果显示 FBSE-TQWT 特征的模型在分类性能上优于传统 TQWT 特征的模型，尤其在少数心律失常类别的分类上表现突出。与其他先进的心律失常分类技术相比，该模型在精确率、召回率和 F1 分数上均有显著优势，在不同训练测试分割比例下都能保持较高的分类准确率，展现出良好的稳定性和泛化能力。
在研究结论和讨论部分，此次研究提出的集成混合模型具有多方面的重要意义。它通过 FBSE 和 TQWT 相结合，实现了对 ECG 信号时频特征的更有效表示，提升了特征提取能力。利用 PCA 降维，在保留大部分数据方差的同时减少了计算复杂度。模糊编码特征和 DNN 的结合，不仅提高了分类准确性，还增强了模型的可解释性。该模型在少数心律失常类别的分类上表现出色，有效减少了误判情况。不过，研究也存在一些局限性，比如模型计算量较大，模糊逻辑的隶属函数需进一步优化，且目前仅基于单导联 ECG 信号，在多导联信号整合、跨数据集验证以及临床实际应用等方面还有待完善。尽管如此，这项研究为未来的心律失常诊断研究指明了方向，有望在临床和可穿戴健康监测等领域得到广泛应用，为心律失常患者带来更准确、便捷的诊断服务，推动心血管疾病诊断技术的进一步发展。
