《Biomedical Signal Processing and Control》：MWG-Net: An attention-guided Multi-Scale Wavelet Gating Network for NSTEMI detection using multi-channel MCG
编辑推荐：
•提出了基于多通道MCG信号检测NSTEMI的MWG-Net网络。•小波变换构建了七个时间对齐、尺度依赖的输入分支。•一维CBAM对特征进行重新校准，自适应门控机制实现跨分支融合。•在独立测试集（n=165）上，灵敏度为94.52%，准确率为93.33%。•队列级门控权重和分
• 提出了基于多通道MCG信号检测NSTEMI的MWG-Net网络。
• 小波变换构建了七个时间对齐、尺度依赖的输入分支。
• 一维CBAM对特征进行重新校准，自适应门控机制实现跨分支融合。
• 在独立测试集（n=165）上，灵敏度为94.52%，准确率为93.33%。
• 队列级门控权重和分支级遮挡分析验证了跨分支融合的有效性。
引言 心血管疾病是全球最主要的死因，据世界卫生组织报告，每年约有1700万人死于心血管疾病[1]、[2]。非ST段抬高型心肌梗死是急性冠脉综合征的一种关键类型，对全球死亡率有显著影响[3]。与ST段抬高型心肌梗死呈现典型特征不同，NSTEMI患者在常规12导联心电图上往往缺乏典型的ST段抬高，而表现为ST段压低或T波倒置等微妙的电生理事件。这些微妙的ECG表现使NSTEMI在初步临床评估中的识别变得复杂。因此，探索可能辅助NSTEMI分类的互补无创方法值得进一步研究。磁心电成像是一种无辐射技术，对微弱的缺血电流高度敏感。它能在患者出现明显ECG异常之前捕获异常的空间磁场分布，为早期干预NSTEMI提供了宝贵的时间窗口[4]、[5]、[6]、[7]、[8]。
为进一步挖掘MCG在自动化分析中的潜力，机器学习和深度学习已被广泛应用于其自动化分析[9]。早期的研究主要依赖于提取时频参数或形态学指标，然后输入支持向量机或分类回归树等传统分类器[10]、[11]、[12]。然而，这些方法高度依赖手工特征工程，且在降维过程中容易丢失通道间的空间相关性。为解决这一问题，具有强大自动特征提取能力的技术（如一维卷积神经网络和循环神经网络）已被引入MCG分析，实现了端到端的疾病分类[13]。
尽管在MCG分析方面取得了进展，现有网络架构在应对多通道信号的特殊性时仍面临两大严峻挑战：
（1）信号非平稳性高。MCG信号既包含缺血引起的低频基线漂移，也包含高频局部波形畸变。依赖固定感受野的传统模型难以同时兼顾高频时间分辨率和低频频谱分辨率，容易遗漏微弱的跨尺度病理波动[9]。
（2）空间冗余和局部噪声掩盖。在多通道MCG阵列中，记录的信号可能包含大量的通道间冗余和异质噪声，这会掩盖微弱的缺血相关波形变化。因此，现有网络可能难以从冗余且含噪的多通道信号中提取稳健的表示[14]。
为突破这些局限，具有优异时频局部化特性的变换为分离多尺度病理波动提供了理想的数学工具。自适应门控机制可以在个体层面动态调整原始信号和小波变换衍生表示的相对贡献，实现个体化的跨分支特征融合。受此启发，本文提出了一种新型多尺度小波门控网络用于基于MCG的NSTEMI分类。本文的主要贡献如下：
1. 提出了网络模型，创新性地以患者的单心跳作为基本输入单元。该策略减少了与心率变异相关的时间对齐差异，显著降低了计算冗余，并使模型能够提取微妙的NSTEMI相关波形变化。
2. 采用离线小波变换构建时间对齐、尺度依赖的心跳表示。原始心跳和六个小波分量随后由独立的特征提取分支处理，使网络能够利用不同时间尺度和频率尺度上的互补信息。
3. 本研究将多尺度小波变换与自适应门控机制相结合。网络动态评估并为不同尺度的特征分配不同权重，使原始信号和六个小波分量的相对贡献在不同个体间有所变化。随后，加权后的分支特征被融合，构建个体级表示用于分类。
本文其余部分的组织如下：第2节回顾相关工作和小波变换的理论基础。第3节详细介绍网络架构。第4节介绍数据集并评估模型性能。第5节讨论模型的可解释性和临床价值。最后，第6节总结全文。
章节摘要 深度学习在心磁图分析中的应用 为克服传统手工特征工程的局限性，深度学习已被越来越多地应用于MCG的自动化分析[13]。作为一种非接触、无创且无辐射的技术，MCG对与心肌缺血相关的微妙电生理变化非常敏感[15]。
现有的MCG分析方法可大致分为三类：时间域深度学习方法、时频与空间表示学习，以及基于注意力机制的方法
所提出网络的架构 为表征多通道MCG信号中依赖尺度的波形信息，本研究提出了网络，这是一种新型端到端深度学习架构。该网络不仅在前端引入了多尺度感受野和双通道空间注意力机制，还在后端设计了基于患者级心跳聚合的自适应跨分支门控策略。本节简要介绍所提出的NSTEMI分类网络中使用的各种工具和算法
数据集描述 本研究为单中心观察性诊断研究，于2023年1月至2024年3月在山东大学齐鲁医院急诊科（三级医院）进行。排除标准为：（1）经常规心电图确诊的ST段抬高型心肌梗死；（2）严重心律失常或近期心脏手术；（3）MCG检查禁忌，如植入金属假体或心脏起搏器。共纳入550名参与者，其中包括243名患者
讨论 本研究提出了用于基于MCG的NSTEMI分类的网络，该网络整合了多分支小波表示、多尺度卷积、分支内一维CBAM重新校准以及自适应跨分支门控。最终模型在预指定的165名参与者独立测试集上取得了93.33%的准确率和0.9744的AUC值。
以下章节讨论队列级跨分支融合行为、主要架构组件的互补作用，以及与其他方法的比较
结论 为应对基于MCG的NSTEMI分类中提取微妙波形特征的难题，本研究提出了网络，这是一个整合多分支小波表示、多尺度卷积、分支内一维CBAM重新校准和自适应跨分支门控的MCG分类模型。
在550名参与者的单中心临床数据集上评估，网络在独立测试集上取得了93.33%的准确率、94.52%的灵敏度和0.9744的AUC值。
消融实验
作者贡献声明 王谦： 撰写初稿、软件、方法论、形式分析、概念设计。张莉： 撰写初稿、方法论、形式分析。黄子元： 撰写审阅与编辑、监督、项目管理、资金获取、概念设计。
伦理声明 本研究经山东大学齐鲁医院科学研究所伦理委员会审查批准；伦理委员会审批编号为KYLL-202204-017，审批日期为2022年4月20日。所有受试者均按照《赫尔辛基宣言》的规定提供了书面知情同意。试验名称为《心磁成像在严重冠状动脉病变和心肌坏死的准确识别中的应用》；
//clinicalTrials.gov 利益冲突声明 作者声明不存在已知的竞争性经济利益或个人关系可能影响本文报告的工作。
致谢 本研究得到山东省重点研发计划 [2022ZLGX03]、国家自然科学基金 资助（项目号62501039）、北京市自然科学基金 （项目号3222053）以及中央引导地方科技发展基金项目 （2024ZY01035）的支持。
王谦 | 张莉 | 黄子元
