STF-CSNet：基于时空融合深度压缩感知的心电信号高效重建方法

本文针对心电信号(ECG)高数据量与实时分析需求间的矛盾，提出STF-CSNet创新框架。研究者通过通道注意力机制与多头混合注意力机制，融合时空特征实现10%采样率下PRD 3.10%、SNR 30.74 dB的突破性性能，为远程医疗提供高效压缩解决方案。

　　

心电信号处理的破局者：时空融合压缩感知技术
在远程医疗蓬勃发展的今天，持续监测的12导联心电信号(ECG)如同心脏的"密码本"，但海量数据传输成为技术瓶颈。传统压缩感知(CS)方法受限于信号稀疏性假设，在动态心电特征提取和低采样率重建时屡屡碰壁。当采样率降至10%，现有方法重建质量断崖式下跌，临床急需既能"瘦身"传输数据又能"保真"关键波形的新技术。

江西省自然科学基金资助的研究团队提出STF-CSNet这一革命性框架。该工作创新性地将深度学习与压缩感知结合，通过三大核心技术突破：1) SE-Block(通道注意力模块)动态加权12导联信号特征；2) 多头混合注意力捕获长程时空依赖；3) 多尺度空洞卷积融合时序特征。在PTB诊断数据库验证中，10%采样率下实现PRD 3.10%和SNR 30.74 dB，较前代TreeCAE提升显著，且在STAFF III等跨库测试中展现强泛化性。

关键技术方法
研究采用PTB诊断数据库、INCART心律失常库等临床样本，构建包含压缩-初始重建-最终重建的三阶段模型。核心创新在于：通道注意力机制(SE-Block)筛选关键导联特征，多头自注意力捕捉时空相关性，多尺度扩张卷积提取波形特征，最终通过时空融合模块优化重建。

研究结果

1. 实验对比：在PTB库20%采样率下PRD低至1.73%，达到"Very Good"标准；10%采样率仍保持"Good"等级，显著优于传统CS算法。
2. 泛化验证：跨库测试在INCART和STAFF III数据库保持PRD<4%，证实模型临床适用性。
3. 机制解析：注意力权重可视化显示aVR导联特征权重最高，与临床重点观察导联一致。

结论与展望
该研究开创性地将时空注意力机制引入心电压缩感知领域，突破传统CS对稀疏性的依赖。实际应用中，可使穿戴设备传输数据量降低90%而不损失诊断价值，为偏远地区心脏监护提供技术保障。未来可通过量化部署进一步验证其在移动芯片上的实时性能，推动远程心电监测技术革新。论文发表于《Computers in Biology and Medicine》，为生物医学信号处理领域树立新标杆。