编辑推荐：
心血管疾病（CVD）死亡率不断上升，心律失常的检测和分类对其诊断至关重要。研究人员提出基于多尺度和分层特征卷积神经网络（CNN）结合导联编码器注意力（LEA）机制的多导联心电图分类方法。实验表明该方法分类性能优异，有助于心血管疾病诊断和减轻医生工作量。
心血管疾病（CVD）严重威胁人类健康，在全球范围内，其死亡率呈上升趋势，给各个国家，尤其是中低收入国家带来了沉重的负担。心律失常作为心血管疾病的重要表现，准确检测和分类心律失常对于心血管疾病的精确诊断和风险评估极为关键。目前，心电图（ECG）监测是检测心律失常的主要手段，但传统基于深度学习的分类方法在有效整合 ECG 形态和时间特征方面存在困难，而且现有方法在临床应用中也面临挑战，如对信号质量要求高、依赖手动特征提取、准确性欠佳，以及在不同数据集上泛化能力不足等问题。
为了解决这些问题，广西师范大学的研究人员开展了基于多尺度和分层特征卷积神经网络（CNN）结合导联编码器注意力（LEA）机制的多导联 ECG 分类研究。该研究成果发表在《Scientific Reports》上。
研究人员在研究过程中用到了多种关键技术方法。在数据处理方面，采用了中国心血管疾病数据库（CCDD）和 MIT - BIH 心律失常（MIT - BIH - AR）数据库。对于 CCDD 数据，进行了数据平移、下采样、小波变换去噪、添加随机噪声等预处理操作；对于 MIT - BIH - AR 数据库数据，使用带通滤波器降噪并进行心跳分割。在模型构建方面，提出了多尺度 CNN 架构和 LEA 机制，并运用了规则推理模块辅助分类。
研究结果
- CCDD - 1 实验结果：在 CCDD 的小规模测试集上，使用规则推理模块后，模型敏感性（Se）提高 3.1%，准确性（Acc）不变，能更准确识别正常类别记录。在大规模测试集上，与其他注意力机制相比，LEA 在分类正常和异常 ECG 记录上表现更优，使用规则推理模块后，Se 提升 3.4%，TPR95 从 49.3% 提高到 61.3% 。与先进算法相比，该方法 Se 和 Acc 更高，但 TPR95 仍有待提升123。
- CCDD - 2 实验结果：通过创新的数据分区方法，在 CCDD 的新测试集上，Se、NPV、AUC 和 TPR95 等指标显著提升，TPR95 达到 78.5%，进一步减轻了医生工作量4。
- MIT - BIH - AR 数据库实验结果：在 MIT - BIH - AR 数据库上，模型 Acc 达到 99.5%，与其他方法相当，但 Se 相对较低。研究认为这与模型更适合处理长序列完整 ECG 记录以及导联数量有限有关。不过，实验证明了该方法在处理不同长度 ECG 序列分类任务时具有泛化能力56。
研究结论与讨论
该研究提出的模型在多导联 ECG 分类上取得了优异成果。在 CCDD 上，Acc 达到 88.5%，NPV 为 93.9%，TPR95 提升至 78.5%，AUC 超过现有先进算法；在 MIT - BIH - AR 数据库上，Acc 为 99.5%，Sp 为 99.6%，展现了良好的泛化能力 。这有效证明了自动心律失常分类的可行性，有助于提升心血管疾病的诊断和治疗水平，减轻医生的工作负担，具有重要的临床应用价值。
然而，该研究也存在一定的局限性。一方面，模型的计算复杂度与一些轻量级模型相比仍有优化空间；另一方面，目前研究局限于 ECG 的一维序列处理，未来可探索如小波变换、压缩感知等技术的融合应用，以进一步提升分类性能。同时，还需确保模型在不同数据集上具有更强的泛化能力，从而更好地服务于临床实践。
