基于机器学习的ECG心律失常分类：从信号处理到决策支持的系统性研究

《Scientific Reports》：Machine learning–enabled ECG arrhythmia classification: a systematic and educational study from signal processing to decision support

　　

摘要

心电图（ECG）信号在早期检测心律失常方面起着关键作用，而心律失常仍然是全球范围内导致发病率和死亡率的主要原因之一。尽管深度学习方法已经实现了较高的分类准确率，但其日益增加的复杂性往往限制了模型的可解释性和实际应用性。本研究提出了一个系统且可解释的多类ECG心律失常分类框架，探讨了信号处理、特征提取、特征选择和评估策略对分类性能的影响。实验在MIT-BIH心律失常数据库上进行，使用了两种特征表示方法：（i）形态学和时间特征；（ii）基于小波的紧凑表示方法。顺序正向特征选择（SFFS）表明，分类性能在大约15个特征时达到饱和，说明大部分区分信息都包含在这个紧凑的特征子集中。利用这一特征空间，支持向量机（SVM）取得了最佳的整体性能，准确率达到了98.54%，并且在不同配置下结果稳定。基于小波的表示方法进一步改善了性能平衡，使得黄金距离（GD）值更低（低至0.0249），表明在不同评估指标上的表现更加一致。总体而言，研究结果表明，精心设计的特征提取和选择方法使得传统的机器学习方法（尤其是SVM）能够实现高且可靠的性能，为ECG心律失常分类提供了一种可解释的替代方案，优于更为复杂的黑箱模型。