编辑推荐：
为解决传统 CNN 在心律失常（ARR）检测中可解释性不足和跨域适应性有限的问题，研究人员探索基于小波散射变换（WST）的可解释域泛化诊断模型，对比分析 CNN 与 WST 在心跳分类中的表现，提出新模型，结果 comparable 且计算成本低，对 ARR 诊断有重要意义。
心脏，这个人体内的 “永动机”，依靠精密的电传导系统维持着规律的跳动。当心脏电活动出现异常，心律失常（Arrhythmia, ARR）便可能悄然降临，成为威胁人类健康的隐形杀手。据世界卫生组织数据显示，心血管疾病（Cardiovascular Disease, CVD）是全球主要死亡原因之一，而心律失常在其中扮演着关键角色。传统的心电图（Electrocardiogram, ECG）诊断虽为重要手段，但依赖人工分析的局限性日益凸显：面对海量心电数据，人工解读效率低下且易受主观因素影响；传统机器学习方法虽尝试通过特征工程提升诊断效能，却难以突破手工设计特征的片面性与泛化能力瓶颈。更严峻的是，以卷积神经网络（Convolutional Neural Networks, CNN）为代表的深度学习模型虽在心律失常检测中展现出强大性能，但其 “黑箱” 特性导致医生难以理解决策逻辑，跨患者、跨设备的泛化能力不足也限制了临床应用，尤其在医疗资源匮乏的地区，精准诊断需求与技术落地之间的鸿沟亟待填补。
在这样的背景下，来自相关研究机构的研究人员聚焦于心跳级心律失常的精准诊断与机制解析，开展了一项具有突破性的研究。该研究成果发表在《Biomedical Signal Processing and Control》，为心律失常的智能诊断提供了新的思路与工具。
研究人员主要采用了以下关键技术方法：以公开的 MIT-BIH 心律失常数据库为研究对象，该数据库包含 47 名参与者的 48 个半小时动态 ECG 记录（两通道，采样率 360Hz，11-bit 分辨率）。研究中构建了 1D-CNN 模型与基于小波散射变换（Wavelet Scattering Transform, WST）的特征分析模型，通过对比分析两者在心跳分类中的表现，探索可解释性与诊断效能的平衡。其中，WST 通过迭代应用小波变换与模非线性操作生成散射系数，捕捉信号的尺度与平移不变特征，为模型赋予生理可解释性；CNN 则通过自动学习数据驱动的特征，提升分类精度。此外，研究还提出一种融合 WST 结构与 CNN 学习能力的新型模型，旨在结合领域知识与数据驱动优势。
实验结果与分析
研究通过优化模型参数（如 CNN 层数、WST 散射层小波数量、不变尺度等），对两类模型的性能展开系统评估。结果显示，1D-CNN 对正常、室性早搏（PVC）等五种心律失常类型的分类准确率达 98.74%，WST 模型为 97.73%，单心跳平均分类时间仅 0.01 毫秒，展现出高效的诊断效率。进一步分析发现，CNN 的深层特征更聚焦于复杂形态模式，而 WST 的散射系数可直观反映信号在不同频率尺度的能量分布，两者特征具有互补性 —— 融合后的模型分类性能显著提升，验证了跨模型特征整合的有效性。
讨论
研究在患者间与患者内两种范式下，对五种 ARR 类别展开心跳级分类研究，揭示了 CNN 与 WST 在特征提取机制上的异同。CNN 通过多层卷积核的自适应学习，捕捉到心电波形的细微形态差异，但其内部表征的复杂性导致可解释性不足；WST 则凭借严格的数学框架，将信号分解为具有物理意义的散射系数，例如不同尺度的系数对应心电波形的低频趋势（如 T 波形态）与高频细节（如 QRS 波群斜率），为异常节律的生理机制解析提供了可视化依据。值得关注的是，融合模型在保持高准确率的同时，通过 WST 结构的引入，显著提升了模型决策的透明度，医生可通过散射系数的变化追溯异常特征的来源，这对于临床信任建立与个性化诊疗方案制定具有重要价值。
结论
本研究构建的基于 WST 启发的 CNN 框架，成功在心律失常诊断的准确性与可解释性之间取得平衡。1D-CNN 与 WST 模型均展现出优越的分类性能，且计算复杂度低于部分前沿方法，尤其适合资源受限环境下的实时监测应用。融合模型的提出，不仅验证了领域知识与数据驱动方法的协同潜力，更开创了 “可解释深度学习” 在医疗诊断中的新路径 —— 通过将信号处理的先验知识嵌入神经网络架构，既保留了深度学习的自动化特征提取优势，又赋予模型生理可解释性，为人工智能在心血管疾病精准诊疗中的落地提供了关键技术支撑。该研究成果不仅有望推动动态心电图监测设备的智能化升级，更对跨学科融合解决医疗 AI 的 “黑箱” 难题具有示范意义，为未来开发更安全、可信的医疗诊断系统奠定了基础。
