基于非线性与非平稳特征结合MobileNetV2 CNN迁移学习的心电图信号自动分析新方法

来自国际团队的研究人员针对心房颤动(AFB)和心房扑动(AFL)的临床检测难题，创新性地提出将ECG信号的非线性/非平稳特征输入改进型MobileNetV2 CNN模型。该模型在CinC 2017和MIT-BIH数据集上分别取得96.08%和99.54%的F1值，特异性均超99.5%，为心律失常智能诊断提供了高精度解决方案。

　　

心房颤动(Atrial Fibrillation, AFB)和心房扑动(Atrial Flutter, AFL)这两种心律失常就像心脏的"失控舞者"，不仅会加剧其他心脏病变，更会显著提升中风和心力衰竭的风险。科研团队开发出一套智能心电图分析系统：先对原始ECG信号进行精密处理，再通过移植学习强化的MobileNetV2卷积神经网络(CNN)进行五分类——能准确识别AFB、AFL、其他异常心律(OTH)、正常窦性节律(NOR)以及噪声干扰(NOI)记录。

这个AI心电侦探在两大权威数据库表现惊艳：在PhysioNet/CinC 2017挑战赛中，对AFB的检测灵敏度高达97.1%，特异性达到99.53%；在经典MIT-BIH房颤数据库更创下99.5%的整体准确率。这些亮眼数据证实，该算法既能捕捉心电信号的微妙非线性波动，又能适应临床复杂的非平稳特征，堪称心血管医生的"智能听诊器"。