基于形态学特征的关键安全表示学习方法，用于实现保护隐私的心电图心律失常分类与信号恢复

《Scientific Reports》：Morphology-keyed secure representation learning for privacy-preserving ECG arrhythmia classification and signal recovery

　　

摘要

心电图信号是一种敏感的生理信号，常被用于心律失常分类系统中。尽管近年来基于学习的方法已展现出较高的诊断可靠性，但大多数方法要么没有考虑隐私问题，要么采用与心脏形态无关的通用保护方法，这降低了结果的可解释性。在本研究中，我们提出了一种以心脏形态为关键的安全表示学习框架，用于心电图心律失常的分类。该模型旨在确保隐私保护、诊断精度以及信号的可恢复性。通过利用节律变化、去极化斜率能量以及分段级偏差特征，可以生成具有重复性的、与信号相关的密钥。这种方式在潜在表示层面实现轻量级保护，而非对原始波形进行加密。此外，还采用了自恢复解码方案，以重建具有诊断价值的电图信号，从而检验其准确性。本研究在MIT-BIH心律失常数据库上针对五种心跳类型进行了测试，所提出的模型达到了98.6%的准确率、98.2%的精确度、97.1%的灵敏度、98.9%的特异性，F1分数为97.6，且在安全潜在空间中的重建误差较低。研究结果表明，将形态感知的安全机制融入到表示学习中，有助于实现生物医学信号处理应用中既注重隐私保护又具备高可解释性的心电图分析。