《Biosensors and Bioelectronics》：SF2O-SKDCN: Selective Kernel Attention Enabled Deep Learning Framework for Cardiovascular Disease Detection using Photoplethysmography signals
编辑推荐：
摘 要心血管疾病（CVD）是一种致死性疾病，需要进行早期干预以防止进一步损害并最终保障患者的生命安全。因此，CVD检测对于有效的疾病管理至关重要。尽管传统检测方法已取得了一些实际成果，但它们大多面临过拟合风险、泛化能力问题以及在检测过程中的计算开销挑战。因此，本研究提出了一种
摘 要
心血管疾病（CVD）是一种致死性疾病，需要进行早期干预以防止进一步损害并最终保障患者的生命安全。因此，CVD检测对于有效的疾病管理至关重要。尽管传统检测方法已取得了一些实际成果，但它们大多面临过拟合风险、泛化能力问题以及在检测过程中的计算开销挑战。因此，本研究提出了一种帆金枪鱼觅食优化-选择性核注意力使能的深度卷积神经网络（SF2O-SKDCN），该模型利用了脉搏血氧信号（PPG），PPG在临床应用中作为一种筛查工具被广泛使用，同时引入心率特征描述符来从分割信号中提取关键特征。此外，选择性核混合（SKS）注意力机制使模型能够仅关注主要的CVD特征，从而增强了可解释性特征。此外，利用帆金枪鱼觅食优化（SF2O）算法主动调节模型超参数，防止了局部收敛和梯度消失问题。在MIMIC II数据集上的实验表明，该模型取得了更好的结果，在90%训练集下达到了98.54%的准确率、99.07%的召回率、98.05%的正预测值和99.05%的负预测值。
引言
生活方式的变化对人类心脏健康有着严重影响（Hossain等人，2024；Prabhakar等人，2019）。在全球范围内，心脏病被认为是最致命的疾病之一；因此，早期检测可以挽救成千上万人的生命（Bhatt等人，2023）。一些影响心脏功能并导致CVD的风险因素包括胆固醇水平、超重、吸烟、血压（BP）、糖尿病和饮食习惯（Hossain等人，2024；Prabhakar等人，2019）。CVD类别下影响心肌的其他众多疾病包括先天性异常、外周动脉问题、冠状动脉疾病等（Drouard等人，2024；Shrivastava等人，2024）。直到心脏状况变得严重之前，CVD检测仍然是一项重大挑战（Yen等人，2022）。大量侵入性和非侵入性方法被用于检测变化（Seoni等人，2024；Bhatt等人，2023）。
心电图（ECG）是CVD检测中最广泛使用的方法（Yang等人，2019）；然而，脉搏血氧信号（PPG）通过监测波动来进行早期CVD检测是最优的（Jayashree和Jenifer，2024；Bashar等人，2019）。通常，PPG信号会因PPG组件的运动而产生的伪影受到污染（Mousavi等人，2019）。因此，需要增强PPG波形的质量以进行准确的检测（Shrivastava等人，2024）。大多数研究已利用机器学习（ML）和深度学习（DL）模型进行CVD检测（Xia等人，2024）。然而，传统方法无法处理大数据集（Ho等人，2022），ML模型面临泛化能力问题（Mousavi等人，2019），DL模型则需要更高的计算需求（Naeini等人，2023）。
最近的CVD检测方法，包括量子优化支持向量机（Elsedimy等人，2024）、集成DL模型（Sadr等人，2024；Alsarori和Sulaiman，2025）、混合网络（Khan等人，2024）、高斯过程回归（GPR）（Sahoo等人，2024）、双阶段堆叠ML（Mondal等人，2024）、基于ML的特征选择（Ullah等人，2024）、直方图梯度提升（HGB）（Sathi等人，2024）、强化学习（Gayathri等人，2024）、基于DenseNet注意力的BiLSTM（DenseNet-ABiLSTM）（Saranya等人，2025）、深度卷积自编码器（Gautam和Jebelli，2024）、混合模型（Padmavathi和Ushasree，2024）、模糊门控循环单元（GRU）模型（Pal和Mahadevappa，2024）、（CNN-LSTM和带有CNN的生成对抗网络GAN）（Pal和Mahadevappa，2025）确保了更好的检测性能。然而，它们仍面临某些障碍，包括数据不平衡、过拟合问题、需要大量计算资源、数据集有限、延迟和偏差结果，这些都限制了其在现实世界中的适用性。
因此，本研究提出了一种基于PPG信号进行CVD检测的SF2O-SKDCN模型。主要的研究贡献如下所列。
利用心率特征描述符进行特征提取：利用特征描述符提取复杂且主要的特征，提高检测准确率。
帆金枪鱼觅食优化（SF2O）：SF2O调节模型参数以实现高检测性能，具有更好的收敛性并防止错误。
帆金枪鱼觅食-选择性核使能的深度卷积网络（SF2O-SKDCN）：SF2O-SKDCN通过学习复杂特征实现了准确的CVD检测，利用SKS注意力、深度CNN和SF2O，降低了计算复杂度。
研究的其余部分框架如下：第2节包含传统CVD检测模型的问题陈述；第3节详细介绍了SF2O-SKDCN；第4节展示了比较结果；最后，在第5节中总结CVD检测研究并提出未来展望。
章节摘要
问题陈述
CVD是一种全球性的致命疾病，由心室功能障碍引起（Bhatt等人，2023）。尽管某些研究工作已在CVD检测过程中实施了PPG信号，但面临较差的泛化能力（Bhatt等人，2023）且未能学习关键特征（Yen等人，2022）。因此，提出SF2O-SKDCN以使用PPG信号进行CVD检测。
设从数据集中收集的输入PPG信号为，包含个样本，长度为，类别标签为
提出的CVD检测框架
首先，利用巴特沃斯带通滤波器（BBPF）对收集的输入PPG信号进行预处理，并进行分割以增强质量。然后应用基于心率特征描述符的提取，提取的特征随后输入SF2O-SKDCN模型。在此，SKS注意力机制的整合专注于关键特征，深度CNN学习复杂特征，SF2O算法微调模型的超参数以实现准确的CVD
实验设置
SF2-SKADCN的CVD检测性能通过准确率、负预测值（NPV）、召回率和正预测值（PPV）等性能指标进行评估。其优越性与现有方法进行对比。为了进行准确分析，TP值从40%变化到80%，epoch值依次为20、40、60、80和100。
基于SF2O-SKDCN的CVD检测框架在PyCharm软件中实现，配置16 GB RAM和Windows 11操作系统
结论
本研究提出了一种基于PPG信号进行CVD检测的SF2O-SKDCN模型。SKS注意力消除了计算开销挑战，SF2O算法增强了收敛率。此外，主要特征提取使SF2O-SKDCN能够更快地进行CVD检测。进一步而言，性能评估强调SF2O-SKDCN优于现有方法，在90%训练集下使用实现了98.54%的准确率、99.08%的召回率、98.05%的PPV和99.05%的NPV
CRediT作者贡献声明
Rupali S. Kamathe博士：数据整理。Pratima M Chavan：数据整理。Kalyani R. Joshi博士：数据整理
未引用参考文献
Conf. Adv. Syst. Emergent. Technol, ；Hossain等人，2024；Li等人，2024；MIMIC II数据库， ；2015 PhysioNet数据库， ；Prabhakar等人，2019。
利益冲突声明
作者声明他们不存在已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文所报告的工作。
致谢：
我要对本手稿的合作作者在研究和开发过程中提供的宝贵且富有建设性的建议表示诚挚的感谢。
Pratima M. Chavan|Kalyani R. Joshi|Rupali S. Kamathe
