基于自监督学习与LSTM的长程心电信号心律失常预警方法研究

本研究针对长程心电监测中阵发性心律失常预警的临床难题，创新性地结合自监督学习（MAE）与长短期记忆网络（LSTM），构建了可捕捉心电状态演变路径的预警模型。在房颤（PAF）和室颤（VF）预警任务中分别实现93.7%/98.6%准确率，平均提前18.9/2.9分钟报警，为可穿戴医疗设备开发提供新范式。

　　

心血管疾病每年导致全球超1700万人死亡，其中心律失常作为重要亚型具有突发性和高致死率特点。传统心电图（ECG）诊断依赖专业医生判读，而阵发性房颤（PAF）和室颤（VF）等急症更因发作不规律难以捕捉。现有预警系统存在两大瓶颈：一是心电形态特征提取易受信号质量干扰，二是忽视从正常状态（S₀）到前驱状态（S₁）最终至异常状态（S₂）的动态演变规律，导致误报率高、预警窗口短。

上海交通大学的研究团队在《Knowledge-Based Systems》发表创新成果，提出基于掩码自编码器（MAE）与LSTM的级联预警框架。通过自监督预训练从三大公共ECG数据集（PTB-XL、Chapman、Georgia）提取通用特征，设计心电编码指数和异常状态指数双指标表征S₀-S₂状态谱；进而采用LSTM建模状态序列时序依赖，在PhysioNet提供的PAF和VF数据集上验证性能。关键技术包括：1）MAE预训练构建ECG表征空间；2）双策略特征提取模块；3）LSTM时序风险评估模块。

【方法概述】研究分三阶段：首先采用MAE对50万例ECG进行自监督预训练；其次设计两种状态特征提取策略——通过编码器输出空间距离量化状态差异（ECG编码指数），利用异常检测算法计算状态偏离度（异常状态指数）；最终构建LSTM预警模型，以30分钟（PAF）或5分钟（VF）滑动窗口实时评估风险概率。

【主要结果】

1. PAF预警任务：在30分钟预警窗口中达到93.7%准确率，平均提前18.9分钟识别异常前驱状态，较传统HRV特征方法提升23.6%。
2. VF预警任务：5分钟窗口内实现98.6%准确率，2.9分钟平均提前量，较EMD-SVM组合模型降低89%误报率。
3. 消融实验证实：预训练模型使特征区分度提升47%，双指标融合策略较单指标提升时序建模效果32%。

【结论与意义】该研究首次实现心电状态演变的端到端建模，突破传统分类器仅识别静态特征的局限。临床价值体现在：1）MAE特征提取摆脱对专家知识和基准点定位的依赖；2）LSTM时序建模揭示S₀→S₁→S₂转化规律，为个性化预警提供理论依据。技术框架已开源（GitHub/Litchi-Lee-lzy），可集成至智能手环等设备，对降低心血管事件死亡率具有重要应用前景。