基于变分模态分解-模糊权重粒子群优化和深度可分离卷积网络的心肌梗死精准检测新方法

为解决心电图(ECG)信号非线性、非平稳性及噪声干扰导致的心肌梗死(MI)检测难题，研究人员开发了融合VMD-FWPSO(变分模态分解-模糊权重粒子群优化)、PCA(主成分分析)和DwSCN(深度可分离卷积网络)的创新框架。该模型在MIT-BIH和PTB-ECG数据集上分别取得99.06%和99.25%的准确率，显著提升自动化MI诊断的可靠性，为临床心脏病学实践提供高效解决方案。

　　

心血管疾病(CVDs)是全球死亡的首要原因，每年夺走1790万人的生命，其中心肌梗死(MI)是最致命的杀手之一。传统的心电图诊断依赖医生经验，但ECG信号的非线性、非平稳特性以及无处不在的噪声干扰，使得人工判读既耗时又易出错。更棘手的是，现有机器学习模型对ECG信号中细微特征的捕捉能力不足，导致MI检测准确率难以突破临床需要的89%门槛。

来自国内的研究团队在《Computers in Biology and Medicine》发表的研究中，提出了一种革命性的三重奏解决方案：首先用VMD-FWPSO算法像"智能筛子"一样精准分离信号与噪声，再通过PCA提取关键波形特征，最后交由DwSCN这个"时空侦探"捕捉ECG中的隐藏模式。这套组合拳在两大权威数据集上打出接近完美的成绩单——不仅准确率突破99%，更在特异性、召回率等指标上全面碾压传统方法。

研究团队采用三大核心技术：1) VMD-FWPSO实现自适应信号分解，通过模糊权重优化IMF选择；2) PCA降维保留P-QRS-T波关键形态特征；3) DwSCN的深度可分离卷积结构高效提取时空特征。实验数据来自公开的MIT-BIH心律失常数据库和PTB-ECG数据库。

【Related works】
现有MI检测方法多依赖手工特征工程或普通CNN，对噪声敏感且计算效率低。相比而言，VMD比传统EMD(经验模态分解)更稳定，而DwSCN的参数量仅为标准CNN的1/8。

【Proposed methodology】
创新框架分三步：VMD-FWPSO先对ECG信号进行"分子级"拆解，通过模糊权重粒子群动态优化分解层数；PCA随后压缩特征维度，保留99%的波形信息；DwSCN最后通过深度可分离卷积块逐层提取时空特征，其特殊的"先分后合"卷积方式大幅提升特征利用率。

【Results and discussion】
在MIT-BIH数据集上，模型各项指标均超过99%：准确率99.06%、F1-score 99.05%。PTB数据集表现更优，特异性达99.3%。消融实验证实，完整模型的准确率比单独使用VMD或标准CNN提升6-8%。ROC曲线下面积(AUC)接近1.0，显示极强的分类判别力。

【Discussion】
该研究的突破性在于：1) FWPSO的模糊权重机制使IMF选择更符合生理特征；2) DwSCN的深度可分离结构首次被证明特别适合ECG时空模式识别；3) 整套方案仅需单导联ECG，极大提升临床适用性。对比实验显示，其性能超越SVM(支持向量机)、RF(随机森林)等传统算法15%以上。

【Conclusion】
这项研究为自动化MI诊断树立了新标杆。VMD-FWPSO+DwSCN的组合不仅解决了ECG信号解析的三大痛点——噪声干扰、特征冗余和时空模式捕捉，其99%+的稳定表现更达到了临床级精度要求。未来可进一步探索其在移动心电设备上的嵌入式应用，或将改写偏远地区心血管急救的格局。作者P. Saranya和C. Vennila特别指出，该框架的泛化能力使其有望扩展至其他生理信号分析领域。