《Expert Systems with Applications》：Multi-Task Learning with Signal Denoising and Self-Distilled Representations for Wearable ECG Arrhythmia Detection
编辑推荐：
随着可穿戴心电图（electrocardiogram, ECG）技术的快速发展，长期连续心脏监测得以实现，显著推动了心律失常筛查的应用。然而，日常生活中采集的ECG记录常受到运动伪影等噪声干扰，难以有效抑制，严重影响诊断可靠性。针对这一问题，研究人员提出了一种
随着可穿戴心电图（electrocardiogram, ECG）技术的快速发展，长期连续心脏监测得以实现，显著推动了心律失常筛查的应用。然而，日常生活中采集的ECG记录常受到运动伪影等噪声干扰，难以有效抑制，严重影响诊断可靠性。针对这一问题，研究人员提出了一种多任务学习（multi-task learning, MTL）框架，通过引入信号去噪与超球面表征自蒸馏两项辅助任务，提高心律失常检测的鲁棒性。研究人员设计了基于损失值与梯度缩放的双向自适应任务权重平衡策略，并采用梯度手术缓解任务冲突。在不同噪声类型及信噪比（signal-to-noise ratio, SNR）水平的含噪ECG记录上的实验表明，该方法显著提升了检测准确率与鲁棒性。在SNR范围为-18?～?-6?dB的噪声干扰下，该框架在PTB-XL数据库上的AUC值达到0.742，在Georgia 12导联心律失常数据库上的AUC值为0.801，分别较直接训练提升了0.13与0.109。这些结果凸显了该框架在可穿戴ECG应用中实现可靠心律失常筛查的潜力。
该研究发表于《Expert Systems with Applications》，聚焦于解决可穿戴心电图（ECG）在长期监测中因噪声干扰导致心律失常检测性能下降的问题。可穿戴ECG在日常环境中易受运动伪影及肌电干扰，造成波形失真，导致误诊率与误报率升高。现有信号质量评估（signal quality assessment, SQA）方法虽能对信号进行分类，但当噪声频带与心电主频重叠时，传统滤波方法难以去除干扰。为此，研究人员构建了层次化的多任务学习（MTL）框架，将心律失常分类作为主要任务，引入信号去噪与超球面自蒸馏（hypersphere self-distillation, HSD）作为辅助任务，以在多尺度上提升表征的噪声鲁棒性。
在技术方法上，研究人员采用了PTB-XL与Georgia 12导联心律失常（G12EC）数据库作为疾病标签来源，并利用MIT-BIH噪声压力测试数据库（NSTDB）在不同SNR条件下添加噪声，以模拟真实可穿戴场景。核心方法包括：（1）基于自编码器结构的信号去噪任务，促使共享骨干网络恢复生理波形与时间依赖；（2）超球面自蒸馏策略，将干净ECG表征的几何先验迁移至含噪表征，约束其在共享参数空间内形成近似干净信号的流形结构；（3）双向自适应任务权重平衡策略，结合损失与梯度的动态缩放，防止任务失衡；（4）梯度手术技术，缓解主任务与辅助任务间的优化冲突。
研究结果分为多个部分：
消融实验显示，引入去噪与超球面自蒸馏可显著提升模型在低质量信号下的检测稳定性，并在特征空间中实现对邻域关系的有效对齐。
数据集与实验设置验证了所提框架在PTB-XL与G12EC两个独立数据库上的泛化能力，尤其在SNR为-18?～?-6?dB范围内表现优越。
方法部分详细阐述了多任务损失函数设计、权重调整机制及梯度管理策略，确保辅助任务在不牺牲主任务性能的前提下发挥作用。
结论部分指出，该框架可有效降低强噪声环境下的误诊与漏诊率，适用于可穿戴ECG监测系统、远程心脏健康筛查及日常生活场景的早期心律失常检测。
在讨论中，研究人员强调，与传统并行多任务学习不同，该框架采用主从式任务结构，不追求所有任务的帕累托最优，而是优化主要任务的性能。此外，HSD策略突破了传统特征模仿的局限，实现了分布层面的表征正则化。该方法在真实世界可穿戴ECG数据中的应用，显示出在临床级噪声干扰条件下维持检测精度的能力，对未来移动健康监护具有重要价值。
研究结论翻译：本研究提出了一种面向强噪声环境下心律失常检测的自适应多任务学习策略，结合信号去噪与超球面自蒸馏作为辅助任务。该框架能够在受伪影严重影响的可穿戴ECG场景中减少误报与误诊，特别适用于可穿戴ECG监测系统、远程心脏健康筛查以及日常生活中的早期心律失常检测。
