基于多模态心电信号与机器学习的心瓣膜疾病诊断：线性与非线性分类器的性能评估

推荐：本研究针对传统心瓣膜疾病(VHD)诊断技术局限，创新性结合心电图(ECG)、心震图(SCG)和心回转图(GCG)多模态信号，通过HRV（心率变异性）分析评估7种机器学习分类器性能。结果显示Ridge回归模型最佳准确率达0.9492，证实多模态信号结合机器学习可有效区分健康人群与VHD患者，为无创诊断提供新思路。

　　

心血管疾病长期占据全球死因首位，其中心瓣膜疾病(VHD)作为第三大常见心血管病，传统依赖超声心动图等影像学检查，存在设备昂贵、难以动态监测等局限。随着可穿戴设备兴起，基于惯性传感器的机械心动描记技术——心震图(SCG)和心回转图(GCG)成为研究热点，它们通过胸壁运动捕捉心脏机械活动，与心电图(ECG)形成互补。但如何利用这些信号实现高效VHD筛查，仍是亟待解决的临床难题。

研究人员开展了一项开创性研究，首次系统评估多模态信号(ECG/SCG/GCG)结合七种机器学习算法在VHD诊断中的性能。研究整合两个公开数据集MECG（29名健康男性）和OADECmS（30名VHD患者），通过计算时域和频域HRV指标（包括AVNN、SDNN、RMSSD、pNN50及VLF/LF/HF频段功率等），对比了线性模型（逻辑回归、线性SVM、岭回归）与树模型（随机森林、梯度提升等）的分类效果。论文发表在生物医学领域权威期刊《Computer Methods and Programs in Biomedicine》。

关键技术包括：1）采用Pan-Tompkins算法检测ECG的QRS波群，并基于150ms延迟窗定位SCG/GCG的心跳特征点；2）使用Lomb周期图计算频域HRV指标；3）通过5折分层交叉验证评估模型，重点考察灵敏度(Se)、阳性预测值(PPV)和准确率(Acc)。

研究结果显示：

1. HRV特征差异：VHD患者表现出HRV指标普遍降低（除AVNN和VLF外），其中GCG信号的VLF功率异常升高达3880.68±13313.94 ms²，可能与瓣膜病变导致的血流动力学紊乱相关。

2. 模型性能：岭回归(RR)表现最优，对GCG信号的分类准确率高达0.9492（F1分数0.9491），而梯度提升(GB)效果最差（最低准确率0.7627）。

3. 模态比较：GCG信号分类性能整体优于ECG和SCG，提示心脏旋转运动可能更敏感反映VHD病理变化。

4. 误诊分析：8号、29号等受试者因HRV特征重叠易被误判，可能与个体自主神经调节差异有关。

这项研究具有重要临床价值：首次证实基于可穿戴设备的多模态信号组合可实现VHD高效筛查，其中GCG信号与岭回归模型的组合尤为突出。相较于传统方法，该方案具有成本低、可居家监测等优势，为心血管疾病早期诊断开辟了新途径。未来研究可进一步优化特征选择、扩大样本多样性，并探索独立于ECG的心跳检测算法，推动技术向临床转化。