基于迁移学习架构与优化算法的儿科心律失常检测研究

本研究针对儿科心律失常检测的复杂性和临床挑战，开发了集成优化算法V5和正则化方法V5的MobileNetv2迁移学习架构。通过构建包含1318例异常心搏和1403例正常心搏的儿科专用数据集，实现了训练集98.01%和测试集95.09%的准确率，较原始模型提升显著。该研究为儿科心律失常的AI辅助诊断提供了稳定可靠的解决方案。

　　

心脏节律异常是威胁人类健康的重要问题，尤其在解剖生理特征特殊的儿科患者中，心律失常的诊断更是临床难题。传统心电图(ECG)分析高度依赖医师经验，而儿童心电模式与成人的显著差异更增加了误诊风险。当前基于人工智能的心律失常检测系统多聚焦成人数据，缺乏针对儿科患者的专用解决方案。

为突破这一瓶颈，来自萨卡里亚大学的研究团队开展了一项创新性研究。他们首先构建了首个儿科心电数据库，包含2721例经专家标注的心搏图像（1318例异常/1403例正常）。针对数据量有限的问题，研究人员采用MobileNetv2迁移学习架构，并原创性地开发了6种优化算法（V1-V6）和5种正则化方法（V1-V5）。其中优化算法V5通过整合平滑度、同质性和能量因子等参数，实现了梯度幅度的自适应调节；正则化方法V5则引入熵值控制弹性网络(ElasticNet)的ρ参数，有效管理模型不确定性。

关键技术方法包括：1）使用Holter设备采集3通道ECG数据构建儿科专用数据集；2）采用MobileNetv2迁移学习架构进行特征提取；3）开发基于RMSprop改进的优化算法V5，整合方差平衡的平滑度、同质性及能量因子；4）设计基于弹性网络的正则化方法V5，通过熵值动态调整正则化强度；5）在Intel Core i7平台完成模型训练与验证。

研究结果方面：

1. 模型性能优化：在二分类任务中，优化算法V5使测试集准确率达95.09%（原始模型93.99%），F1分数提升至94.85%。
2. 稳定性验证：训练/测试准确率差异仅2.92%，显著优于其他优化算法（如Nadam差异达5.25%）。
3. 泛化能力测试：在6类MIT-BIH/PTB混合数据集上仍保持89.75%的测试准确率，证实模型对复杂模式的识别能力。
4. 架构对比：MobileNetv2在8种主流架构中表现最优，测试F1分数达94.85%，优于InceptionV3(94.68%)和ResNet50(85.75%)。

讨论部分指出，该研究首次实现了：1）针对儿科心电特征的专用检测系统；2）通过优化算法V5和正则化方法V5的协同作用，有效解决了小样本下的过拟合问题；3）在保持MobileNetv2轻量化优势的同时，准确率提升显著。特别值得注意的是，模型在包含室性早搏(V)、室上性早搏(S)等复杂类别的6分类任务中仍保持稳定性能，验证了临床实用价值。

这项由TUBITAK资助的研究（项目号124E599）为儿科心律失常的早期诊断提供了新范式。未来通过纳入心动过速/过缓等更多临床表型，有望进一步扩展系统功能。论文成果发表于《BMC Biomedical Engineering》，相关数据集已在GitHub开源，将推动该领域的协同创新。