《Computer Methods and Programs in Biomedicine》：Machine learning and evolutionary computation for increased reliability of wearable devices for monitoring cardiac arrhythmias in the wild
编辑推荐：
心电图（ECG）信号的连续分析对于诊断心血管疾病至关重要，尤其是心律失常，其是全球死亡率的重要影响因素。随着可穿戴设备在非临床心脏监测中的日益普及，实时ECG处理面临内存限制带来的挑战，尤其是当内存被误报记录所浪费时。真实生活ECG监测中的噪声（如运动伪迹）使
心电图（ECG）信号的连续分析对于诊断心血管疾病至关重要，尤其是心律失常，其是全球死亡率的重要影响因素。随着可穿戴设备在非临床心脏监测中的日益普及，实时ECG处理面临内存限制带来的挑战，尤其是当内存被误报记录所浪费时。真实生活ECG监测中的噪声（如运动伪迹）使自动心律失常检测和记录复杂化，需要高效的方法来选择性地过滤可能被错误分类（并记录）为心律失常的噪声信号，尤其是在存储受限的设备中。本研究开发并系统比较了机器学习与深度学习方法，用于基于非受控临床环境之外获取的真实世界可穿戴数据进行ECG噪声检测。通过使用多种分类模型，包括随机森林（Random Forest）、支持向量机（Support Vector Machine）、多层感知器（Multi-Layer Perceptron）、梯度提升（Gradient Boosting）和卷积神经网络（Convolutional Neural Networks），研究人员考察了四种方法，使用以下输入特征：i）原始信号数据，ii）心率变异性（Heart Rate Variability）相关时域特征，iii）心率变异性相关时域与频域特征的组合，以及iv）基于遗传编程（Genetic Programming）重构算法的参数，同时分析了相应架构的内存与计算需求及分类性能。研究结果表明，多层感知器模型结合心率变异性相关时域和频域特征，在准确率、特异性、敏感性和F1分数之间提供了最优权衡。本研究提出了一种可扩展的分类方法，专门设计用于可穿戴设备中的真实生活心律失常检测，展示了增强连续心脏监测的潜力，并促进了此类算法在适用于临床和真实世界场景的可穿戴设备中的集成。
论文解读
一、研究背景与问题
心电图（ECG）信号分析在心血管疾病诊断中扮演着关键角色，心血管疾病是全球范围内导致死亡的主要原因之一。ECG信号提供了心脏电活动的宝贵信息，使临床医生能够识别各种异常状况，如心律失常、缺血和心肌梗死。近年来，用于连续心脏监测的可穿戴设备因其能够促进心律失常（包括心房颤动）的检测而受到广泛关注，这对于预防严重心血管事件至关重要。这些设备可以连续记录ECG信号，实现真实环境下的实时健康监测。
然而，在真实环境（即受控临床环境之外）采集的ECG信号特别容易受到噪声和干扰的影响，包括基线漂移、运动伪迹和电源线干扰。这些噪声源降低了信号质量，并使心律失常检测复杂化，因为心律失常检测高度依赖于所记录信号的准确形态。因此，在真实世界条件下增强ECG信号质量的可靠性，对于可穿戴设备系统有效监测心脏健康状况至关重要。基于这些考虑，本研究的主要目标并非直接检测心律失常，而是对可能导致可穿戴设备中错误心律失常检测的ECG信号中的噪声和干扰进行分类。
值得注意的是，内存使用和机载存储限制在可穿戴ECG监测系统中起着核心作用。连续ECG记录会产生大量数据，存储噪声或损坏的片段不仅浪费本已有限的设备内存，还会增加传输成本和后处理负担。因此，有效的噪声检测既可以作为实时预处理机制防止低质量信号的存储，也可以作为后处理过滤器优先处理临床相关数据。这些限制强烈影响了本研究所考虑的特征表示和分类模型的选择。
虽然传统信号滤波方法和机器学习（ML）算法已被证明是ECG处理和分析的有价值工具，即使在资源受限设备上也是如此，但它们常常因日常生活中遇到的噪声特征广泛变异性而受到影响。因此，需要更稳健的方法，能够很好地泛化到不同噪声类型，并适应信号特征随时间的变化，而不依赖手动信号预处理。
二、研究内容与结论
本研究使用来自低成本可穿戴设备的噪声ECG信号，这些设备中由于固件中基础心律失常检测算法的原因，噪声误报的发生率很高。在此背景下，依赖传统提取器生成的特征集和新特征的分类算法可以集成到可穿戴ECG处理流程的不同阶段。当用作后处理步骤时，该模型对从记录的ECG片段中提取的特征进行操作，可以在设备外实现，从而减少需要心脏病专家手动检查的记录数量。
本研究的核心贡献包括：识别和表征导致低成本可穿戴设备中错误心律失常检测的ECG信号噪声；比较不同特征表示（包括自动提取的特征）用于噪声分类任务；从部署导向的角度评估机器学习和进化计算方法，特别强调内存使用和对资源受限可穿戴设备的适用性。
研究结果表明，多层感知器（MLP）模型结合心率变异性（HRV）相关时域和频域特征，在准确率、特异性、敏感性和F1分数之间提供了最优权衡。该研究提出了一种可扩展的分类方法，专门设计用于可穿戴设备中的真实生活心律失常检测，展示了增强连续心脏监测的潜力。
三、关键技术方法
研究人员使用了来自意大利帕尔马Heartsentinel srl公司生产的Ritmia商用可穿戴设备采集的数据，这些设备用于受试者在真实生活条件下（24小时至一周，涵盖睡眠和运动时段）的非医疗连续监测。数据集共包含2088个ECG片段，其中1165个为真实心律失常，925个为噪声伪迹，每个片段为6秒记录（750个样本，采样率125样本/秒）。标签由Gruppo Synlab的临床专业人员通过回顾性临床审查确定。研究采用了四种特征集：原始信号、基于NeuroKit2提取的HRV时域特征、HRV时域与频域特征组合、以及基于GPPSO（遗传编程与粒子群优化结合）的ECG信号建模与重构参数特征。分类器包括随机森林（RF）、支持向量机（SVM）、多层感知器（MLP）、梯度提升（GB）和卷积神经网络（CNN）。GP模型使用PTB-XL数据库（包含21,799条临床12导联ECG记录）进行训练。特征选择采用基于方差分析（ANOVA）的SelectKBest方法，超参数优化使用GridSearchCV进行5折分层交叉验证，最终通过10次独立分层训练/测试划分评估模型性能。
四、研究结果
数据集特征。 数据集包含2088个片段，其中1165个为真实心律失常，925个为噪声信号，采样率为125样本/秒，每片段750个样本对应6秒记录。噪声标签分配给以运动伪迹、肌肉活动、电极接触问题或其他非心脏干扰为主的片段。
特征集构建。 研究人员构建了四种特征表示：完整原始ECG信号作为基线；使用NeuroKit2自动识别ECG R峰并计算HRV时域特征；在时域特征基础上加入频域特征（包括总频谱功率密度、三个频段的功率密度及低频/高频功率密度比）；使用GPPSO方法生成ECG信号的参数化模型，通过PSO优化模型参数，并汇总每个信号的有效心跳的均值、标准差、最大值和最小值作为特征。此外还构建了HRV特征与GP符号表达式的组合特征集。
特征选择。 采用基于ANOVA的单变量特征选择方法，使用scikit-learn的SelectKBest方法和f_classif评分函数，识别出十个最具判别力的特征，用于二分类任务。
分类器性能。 研究比较了RF、SVM、MLP、GB和CNN五种分类器在不同特征集上的性能。CNN架构包含三个一维卷积层（每层64个滤波器，核大小6），后接批归一化、ReLU激活和最大池化层，全连接分类器由128和64神经元的两个稠密层组成，总可训练参数约83万。研究发现MLP模型结合HRV时域和频域特征提供了最优的准确率、特异性、敏感性和F1分数权衡。
部署考量。 研究从部署导向角度评估了各方法的计算和内存需求，GP方法虽然作为强大的设计工具可以自动进化信号变换或滤波逻辑，但其高计算需求限制了在受处理能力或电池寿命约束场景中的适用性。
五、讨论与结论
研究讨论指出，同一受试者可能产生多个片段，因为记录时间从24小时到一周不等，这代表了潜在的信息泄漏来源，但反映了可穿戴设备随时间处理同一用户多个片段的真实部署场景，不过可能导致乐观的性能估计。由于隐私和监管限制，原始ECG记录无法公开发布，但特征提取过程的代码将在论文接受后提供。
研究结论指出，本研究侧重于对现有方法和特征表示的比较和部署导向评估，旨在为可穿戴ECG监测系统的实际设计选择提供参考。该研究提出的可扩展分类方法专门设计用于可穿戴设备中的真实生活心律失常检测，展示了增强连续心脏监测的潜力，并促进了此类算法在适用于临床和真实世界场景的可穿戴设备中的集成。这一进展可以扩展可穿戴设备在连续心脏监测中的可用性，并最终促进在噪声不可避免的运动或其他非临床非受控环境中的自动化分析。
