基于LSTM与强化学习的心电图特征波精准描绘：突破三度房室传导阻滞下P波识别瓶颈

本综述推荐一种融合强化学习（RL）与长短期记忆网络（LSTM）的创新框架，用于心电图（ECG）特征波（CW）的自动化精准描绘。该方法通过RL驱动的峰值分析器实现95.93%的信号压缩，在保持毫秒级时间误差（0-79 ms）的同时，有效解决三度房室传导阻滞（AV block）中P波与QRS波分离导致的传统算法失效难题，为临床实时ECG分析及峰值压缩技术提供新方案。

　　

Highlight

本研究通过强化学习（RL）优化峰值分析器，结合LSTM分类器，实现了对心电图（ECG）特征波（包括P波、QRS波和T波）关键点（峰值与边界）的高精度自动化识别。该方法突破传统算法对预分割窗口和重采样的依赖，特别针对三度房室传导阻滞（AV block）中P波与心室活动分离的难题，引入节律与形态特征分析，显著提升复杂病理条件下的识别鲁棒性。

Method（方法）

ECG信号首先被归一化至[0,1]区间以确保数据一致性。随后，通过经深度RL框架调优的峰值分析器扫描信号，识别显著峰值与偏差。该RL框架采用两个人工神经网络（ANN）分别负责探索与利用，共同优化峰值选择策略。所选峰值最终由LSTM分类器标注为特定特征波的关键点（如P峰、QRS峰、T峰及其边界）。

Results（结果）

峰值分析器成功滤除95.93%的非信息样本，时间与振幅误差分别控制在0–79 ms与0–0.079 mV范围内。在数据集内测试中，CWD数据集表现最佳：峰值检测灵敏度/阳性预测值（PPV）达96.85%/95.97%，边界识别为81.37%/77.48%。QTDB数据集峰值性能为95.37%/95.82%，边界为80.66%/79.97%；LUDB数据集峰值与边界分别为85.04%/87.04%与61.97%/70.76%。跨数据集测试（LUDB训练，QTDB测试）中，峰值与边界指标分别为80.84%/84.06%与55.56%/74.35%。在高斯噪声干扰下，5 dB信噪比时峰值灵敏度与PPV下降11.43%与12.23%，边界下降11.99%与8.03%；10 dB时峰值损失为1.97%/8.24%，边界为6.46%/7.47%。

Conclusion（结论）

该框架以每搏动40.11 ms的运行速度实现实时精准描绘，时间误差优于现有研究。尽管三度房室传导阻滞中的P波识别仍存挑战，本方法展现出强大的鲁棒性与计算效率，在临床ECG分析与峰值压缩领域具有广泛应用潜力。