摘要
心电图（ECG）信号包含与血清钾异常相关的重要临床信息。然而在台湾，原始患者数据及原始医疗信号通常无法带出医院环境，这限制了它们的后续再利用以及跨机构应用。本研究的目的是将原始ECG信号中包含的类别相关信息转化为高级SHAP特征，并评估这些特征作为原始波形分段模型输出结果的辅助或替代特征的可行性。为此，本研究提出了一种时间序列分类框架，该框架整合了ECG波形分段子模型、基于SHAP的特征增强技术以及堆叠集成学习方法，用于预测血清钾异常。首先分别使用不同的ECG波形片段及其组合来训练子模型，然后运用SHAP技术将波形分段子模型输出对预测结果的贡献转化为高级特征。此外，还加入了PCA特征作为对比基准，以分析不同特征转换方法对分类性能的影响。实验结果表明，在大多数情况下，引入基于SHAP的增强特征能够提升基于ECG的血清钾异常预测性能。即便仅使用基于SHAP的增强特征进行训练，某些模型的性能仍可与基准模型相当甚至更优。虽然PCA能为部分患者提供更稳定的分类结果，但在大多数情况下，基于SHAP的增强特征依然能够体现与分类相关的模型贡献信息，同时实现更好的或相当的分类性能。总体而言，即便在最终分类阶段不直接使用原始ECG信号，这些特征仍保留一定程度的区分信息，显示出作为原始波形分段模型输出结果替代特征的潜力。因此，本研究的成果为未来医疗数据的再利用、跨机构协作以及隐私风险评估提供了初步参考。
