利用GAN（生成对抗网络）增强的混合深度学习模型，结合边缘计算技术，实现CardioHelp应用程序中的实时心脏搏动检测功能

《Smart Health》：GAN-enhanced hybrid deep learning model for real-time cardiac beat detection in the CardioHelp app with edge computing

心血管疾病实时监测系统研究提出基于GAN增强的CNN-LSTM混合模型，通过合成数据解决类不平衡问题，在MIT-BIH数据库测试准确率达98.44%，并成功部署于边缘设备实现毫秒级实时分类。

　　心血管疾病是全球范围内的一大健康挑战，其诊断往往受到早期和准确识别的限制，尤其是由于心脏节律异常（如室上性期外收缩、室性期外收缩和融合波）的微妙性和多样性。传统的诊断流程通常需要回顾病史、体格检查以及专门的检测手段，如超声心动图和心电图（ECG/EKG）。然而，这些方法在实际应用中存在一定的局限性，特别是在实时监测和处理方面的不足。

针对上述问题，本研究提出了一种先进的边缘计算解决方案，结合了生成对抗网络（GAN）增强的混合卷积神经网络（CNN）-长短时记忆网络（LSTM）模型，以实现准确的实时心电图节律分类。该方法首先利用GAN生成的合成节律来缓解数据集中的类别不平衡问题，然后通过CNN提取稳健的空间特征，这些特征被传递给LSTM以捕捉时间依赖性，从而确保全面的特征学习，提高对节律异常的识别精度。

本系统还包含一个可穿戴的定制数据采集设备，该设备与CardioHelp智能手机应用程序集成。CardioHelp应用提供了实时的心电图和呼吸信号可视化、持续的心率和呼吸频率监测，以及在检测到心脏异常时的即时通知功能。GAN增强的混合模型在MIT-BIH心律失常数据库上的测试准确率达到了98.44%，对于S类节律，F1分数为96%；V类节律为98%；F类节律为90%。当模型部署在边缘设备上时，其验证准确率保持在97.50%，表明其在真实环境中的鲁棒性，F1分数分别为85.1%（S类）、89.3%（V类）和76.2%（F类）。此外，对10名健康参与者进行的实时验证进一步证明了该系统的实用性和可靠性，适用于日常持续监测。模型的平均推理时间为每节律4.6毫秒，适合在资源受限的边缘设备上进行即时的心电图分类。

本研究的核心在于通过边缘计算技术，实现对心血管疾病的有效监测和干预。随着物联网（IoT）的发展，智能健康（sHealth）应用逐渐成为支持心脏疾病诊断的重要工具。现代可穿戴传感器能够实时监测多种生理信号，包括心电图、肌电图（EMG）、呼吸频率、血氧饱和度和心率。这些设备与sHealth应用的结合，使得个人的生理活动可以被持续记录和分析。智能健康应用由于其与IoT设备之间的无缝连接，如蓝牙低功耗（BLE）、ZigBee等协议，而受到广泛欢迎。其中，BLE因其较低的功耗而尤为突出。通过整合多源健康数据，可以形成更全面的健康记录，从而提取集体知识，支持公共卫生政策的制定和应对群体层面的健康风险。

机器学习（ML）算法在实时分析心电图信号方面起着关键作用。例如，KardiaMobile、ECG检查、QardioCore和Apple Watch等便携设备可以监测心脏的电活动，以识别异常节律并通知用户。近年来，人工智能（AI）在心电图分类中的应用取得了显著进展，提高了对心电图异常的识别能力。Xuan Hua等人引入了一种基于1D-CNN的心电图分类方法，实现了稳健的特征提取和出色的分类精度，突显了基于CNN的架构在心电图分析中的有效性。ML算法也被用于准确的MRI脑肿瘤分类，同时，KoopaML提供了一个用户友好的图形平台，专门针对医疗专业人员，用于设计和部署ML算法。

尽管AI在自动检测心电图特征方面展现出巨大潜力，但其性能通常受到高质量标注训练数据集的限制。危及生命的节律异常相对罕见，这限制了准确的深度学习模型的开发。在医疗诊断中，包括心电图分类，类别不平衡是一个普遍存在的问题。心电图数据库通常包含不成比例的样本数量，某些类别被充分代表，而其他类别则显著不足。当深度学习模型在这样的不平衡数据集上进行训练时，往往倾向于优先识别多数类别，导致少数类别的识别精度下降。这种不平衡对深度神经网络分类器构成了重大挑战，因为公开可用的心电图数据集通常缺乏足够的数据和明显的类别不平衡。

为了解决数据分布不均的问题，利用先进生成模型创建的人工样本已被证明是增强训练数据集和提高模型准确率的有效方法。诸如变分自编码器（VAE）和生成对抗网络（GAN）等技术，被越来越多地用于生成能够有效复制真实样本的合成数据，特别是在医疗领域。GAN在生成模仿真实心电图信号的节律方面表现出色，有助于解决心电图分类任务中的数据稀缺和类别不平衡问题。通过生成稍微修改后的原始数据，这些模型增加了数据集的规模和多样性，同时保留其核心特征。这种方法在医学影像领域已被广泛应用，并在医学时间序列分类中逐渐流行。

除了GAN之外，其他策略也被探索用于改善在不平衡数据集上模型的表现。例如，合成少数类过采样技术（SMOTE）被用于为代表性不足的类别创建额外的样本，从而实现更平衡的数据集。先进的损失函数如聚焦损失（focal loss）则被引入以在训练过程中缓解类别不平衡。DeepSMOTE是一种结合编码器/解码器框架、基于SMOTE的过采样和增强惩罚的损失函数的方法，用于生成合成图像以应对不平衡数据，相较于GAN的优势在于不需要在训练过程中使用判别器。此外，创新的训练方案如少样本学习，因其对训练数据的需求较低，为处理心电图分类中的有限数据提供了替代方案。

在确保模型性能的同时，心电图信号的准确性和实时性也至关重要。心电图信号可能受到基线漂移、肌肉伪影和电极运动伪影等噪声的影响，这些噪声可能会影响节律异常的识别精度。因此，需要准确的噪声检测和去除技术。此外，心电图形态在不同个体和同一个体之间存在显著的变异性，使得预设的特征难以准确描述每一个节律。在之前的研究所中，我们通过使用KardiaMobile（AliveCor?）商业应用程序评估了所开发系统的有效性。此外，我们的系统还成功利用集成在定制设备中的惯性测量单元（IMU）传感器，收集了三轴加速度数据，以监测呼吸频率和各种呼吸模式。

本研究提出了一种基于GAN增强的混合CNN-LSTM模型，用于在边缘设备上实现心血管节律的实时分类。该方法直接解决了现有节律检测系统中的两个关键问题：数据不平衡，尤其是对罕见节律的识别，以及异常检测的延迟。MIT-BIH心律失常数据库（mitdb）被用于创建、验证和评估该模型，该数据库最初存在显著的数据不平衡，因此我们采用GAN生成合成节律以增强混合模型的分类性能。该混合模型是在Python中使用Keras和TensorFlow开发的，并被集成到CardioHelp智能手机应用程序中作为预训练模型。CardioHelp应用程序是在Android Studio环境中构建的，通过墨水喷射印刷电极和定制设备采集心电图信号，利用预训练的混合模型进行节律分类，并在移动界面实时显示结果。通过将模型直接部署在设备上，我们实现了对心脏异常的近乎即时的检测，从而缩短了节律异常事件与临床评估之间的时间间隔。这种实现确保了心电图的持续和可靠监测，无需依赖外部服务器通信。

本研究的主要贡献包括以下几个方面：首先，利用GAN增强心电图数据集，特别是通过生成代表性不足的节律类别的现实合成样本，解决数据不平衡问题；其次，开发并验证了一个混合CNN-LSTM深度学习模型，该模型结合了空间和时间特征提取，实现了高精度的实时心电图节律分类；第三，将该混合模型优化并集成到CardioHelp移动应用中，使其能够在资源受限的边缘设备上高效部署，从而实现可靠和持续的实时节律监测，而无需持续的互联网连接；最后，通过包括健康参与者和MIT-BIH心律失常数据库的全面评估，证明了所提出方法的临床适用性和有效性。

除了强大的节律分类能力，CardioHelp移动应用还提供了全面的功能，包括心电图信号的实时可视化、持续的心率监测和呼吸数据的实时分析。它还促进了健康数据与医疗专业人员之间的安全和无缝共享，从而提高了临床决策的效率和患者的治疗效果。

本文的其余部分结构如下：第二部分详细介绍了系统的架构和设计，包括通过定制可穿戴设备进行的数据采集过程以及CardioHelp移动应用的关键功能。第三部分深入描述了所使用的数据集，解释了用于解决类别不平衡的GAN增强技术，并详细介绍了混合CNN-LSTM模型的开发及其在应用中的集成。第四部分介绍了实验设置和全面的实验结果，突出了我们实时心脏节律检测方法的性能。第五部分讨论了整个应用的性能和实际应用的可行性。最后，第六部分提出了未来研究的潜在方向，而第七部分则总结了全文。

在系统架构和设计方面，整个设置包括三个墨水喷射印刷电极、一个处理单元、一个包含心电图传感器（来自SparkFun Electronics的AD8232）和惯性测量单元（IMU）传感器（来自TDK InvenSense的MPU6050）的定制印刷电路板（PCB），以及CardioHelp移动应用。图1展示了系统的整体架构。嵌入式系统利用来自SparkFun（Niwot, Colorado, USA）的nRF52840蓝牙5.3系统级芯片（SoC）来处理信号和无线通信。该设备能够实时采集心电图和呼吸信号，并通过CardioHelp应用进行分析和可视化。CardioHelp应用还具备持续的心率和呼吸频率监测功能，以及在检测到心脏异常时的即时通知。

在数据集方面，本研究采用了MIT-BIH心律失常数据集（mitdb），该数据集根据美国医疗仪器协会（AAMI）定义的标准对节律类型进行分类。该数据集将心律失常分为五个不同的类别：非期外节律（N）、室上性期外节律（S）、室性期外节律（V）、融合波（F）以及未知节律（Q）。数据集包含48条心电图记录，每条记录持续一定时间。这些数据集为模型的训练和验证提供了基础，同时也揭示了在实际应用中可能存在的数据不平衡问题。通过使用GAN生成合成节律，我们成功提高了模型的分类性能，特别是在处理代表性不足的节律类别时。

在实验设置方面，心电图信号的采集是通过在受试者的胸部放置三个IJP电极，并将定制设备放置在靠近胸部的口袋中完成的。图7展示了实时数据采集过程，显示了受试者的即时心率（75次/分钟）、平均心率（74次/分钟）、呼吸频率（20次/分钟）以及正常的心电图节律。这种设置确保了心电图信号的高效采集，并且这些信号被实时处理和分析，以实现节律的准确分类。通过这种方式，我们能够确保在真实环境中的持续监测和分析，提高对心血管疾病的识别和干预能力。

在讨论部分，预训练的混合模型在CardioHelp应用中表现出优于独立CNN和LSTM模型的节律检测精度。它不仅在所有心电图类别中表现优异，还在代表性不足的节律类别中实现了更高的F1分数，这突显了混合模型在处理不平衡数据集方面的强大泛化能力。该模型能够准确分类常见和罕见的心电图节律，从而提高对心血管疾病的识别和干预能力。

在未来的展望中，解决之前讨论的局限性为未来研究提供了明确的方向。首先，未来的研究将采用严格的个体验证策略，如留一法（LOSO）或个体持出验证，以评估混合模型在不同患者群体中的泛化能力。实施这些验证协议将提供更符合临床需求的性能评估，并更好地反映真实世界中的应用效果。此外，未来的研究还将探索更高效的模型优化技术，以提高在边缘设备上的运行效率，并增强系统的实时性和准确性。

本研究的结论是，通过将预训练的GAN合成混合模型集成到CardioHelp智能手机应用中，实现对心血管节律的实时分类。该混合模型结合了CNN和LSTM架构，专门设计用于边缘计算，使得心电图数据的分析能够在移动设备上高效且准确地进行。通过利用这两种架构的优势，该模型在检测广泛的心电图节律方面表现出色，为心血管疾病的早期识别和干预提供了有力支持。

在作者贡献声明中，Ucchwas Talukder Utsha负责撰写初稿、可视化、验证、软件、方法论、形式分析、数据整理、概念设计；Bashir I. Morshed负责撰写和编辑、监督、资源、项目管理、研究、资金获取、形式分析。此外，研究团队还声明没有其他作者存在，他们表示没有已知的潜在利益冲突或个人关系可能影响本研究的成果。

在利益冲突声明中，作者声明了以下财务利益或个人关系，这些可能被视为潜在的利益冲突：Bashir I. Morshed报告称本研究获得了美国国家科学基金会的财务支持。如果还有其他作者，他们声明没有已知的潜在财务利益或个人关系可能影响本研究的成果。

在致谢部分，本研究得到了美国国家科学基金会（Grant No. 2105766）的资助。可穿戴的心电图和呼吸数据采集设备由Mahfuzur Rahman、Robert Hewitt和Bashir I. Morshed开发。这些贡献为本研究的实施和成果提供了重要支持，同时也表明了研究团队在推动智能健康技术发展方面的努力。