基于具有生理约束的卷积Mamba-UNet实现任意单导联到12导联心电图的重建

《Neurocomputing》：Arbitrary single-lead to 12-lead ECG reconstruction via convolutional mamba-UNet with physiological constraints

　　摘要：从单个观测导联重建标准的12导联心电图，可减少简化导联采集结果与12导联兼容的计算分析之间的差异。然而，任意的单导联重建问题存在严重的不确定性，需要在长序列建模效率、局部形态保留以及导联间结构一致性之间进行精心权衡。本研究提出一种基于生理学约束的卷积Mamba-UNet模型，用于任意单导联到12导联心电图的重建。该框架结合了卷积编码、选择性状态空间时间建模、多尺度解码以及轻量级的导联交互模块。为提升结构的合理性，还引入了以艾因托芬法则为基础的一致性约束、胸导联R/S比值变化规律以及受威尔逊理论启发的胸部导联离散度先验作为可微的软约束。在PTB-XL数据集上的测试显示，所提方法在全局波形保真度方面表现优异，皮尔逊相关系数达0.823，且在与形态相关的指标上也有显著提升，如R波峰时间误差为14.268毫秒，QRS波群持续时间误差为25.594毫秒。消融实验表明，生理学约束将肢导联间的不一致性从0.159降低至0.002，R/S比值异常情况则从15.9%降至2.256%。在后续诊断任务中，重建后的12导联数据在某些心房颤动、心肌梗死、ST段抬高型心肌病和室壁瘤检测场景中的AUROC值相比直接使用单导联数据有明显提升（提升幅度为+0.018至+0.067），而在冠心病检测中则未观察到显著优势。不过，真正的12导联心电图依然是最高标准的参考依据，尤其是在对形态敏感的任务中。在CPSC2018数据集上的外部评估显示，重建的心电图仍存在一定的领域偏移问题，这说明其应被视为辅助性的12导联兼容表示形式，用于计算分析，而非替代临床采集的12导联心电图。

引言：心血管疾病是全球范围内导致死亡的主要原因之一，而心电图在心脏功能评估中始终发挥着核心作用[1][2]。标准的12导联心电图能够从多个观测角度提供心脏活动的互补电信号信息，同时也为基于深度学习的自动分析提供了坚实基础[3][4][5]。与此同时，便携式及可穿戴式心电图监测技术正在快速发展。消费级设备可用于大规模心律筛查，而连续贴片监测与被动感应技术则进一步提升了长期监测的可行性[6][7][8][9]。然而，这些实际应用中的系统通常只采集一个或几个导联，这就导致了简化导联采集结果与标准12导联分析流程所需的输入格式之间存在差异。为解决这一矛盾，人们越来越关注如何将简化导联的数据重建为12导联心电图[10][11][12]。遵循一般的对抗学习思路[13]，近期针对心电图的研究提出了基于GAN的单导联或少数导联到12导联的合成方法[14][15][16][17]，以及U-Net风格模型[18]、自监督视图合成方法[19]、掩码重建目标函数[20]，还有针对不同导联配置下的诊断任务设计的导联感知学习策略[21]。这些研究都表明，简化导联信号中包含着可用于多导联推断的可用信息。尽管如此，从单个观测导联重建完整的12导联心电图本质上仍是一个不确定性较高的问题。从电生理学角度来看，标准的12个导联并非记录完全独立的信号，而是反映了同一三维心脏电偶极矢量在不同体表轴向上的空间投影。虽然单个导联会丢失直接的空间维度，但其高度有序的时间动态特征（如P-QRS-T波群）与背后的三维电偶极结构之间存在隐含的关联。深度学习模型可以从中隐式学习出从一维投影反推到多导联系统的映射关系。但仅依赖数据驱动的波形相似性往往会导致出现多个在数学上成立但在生理学上不合理的重建结果[22]，因此需要通过显式的正则化手段来限制解的空间范围[22]。由此可见，这项任务不应被视为精确的逆向重建，而应是结合数据驱动的相关性以及领域先验的受限条件重建过程。从建模角度来看，有效的任意单导联重建至少需要具备三项能力：首先，模型需保留心电图的局部形态特征，包括QRS波群和T波等具有诊断意义的结构[23]；其次，模型需能够捕捉心电图序列中的长距离时间依赖关系，因为心律模式和波形特征并不仅仅体现在短时间的局部窗口内；最后，模型还需明确约束导联间的关系，因为重建后的多导联信号的质量不仅取决于各点处的波形相似度，还取决于导联间的一致性。现有方法往往侧重于局部波形匹配，而长距离序列建模以及显式的结构正则化机制则较少被探讨，尤其是在较为复杂的任意单导联重建场景中。Mamba作为一种高效的选态空间模型，近年来被广泛应用于具有线性时间复杂度的长序列建模任务中[24]，它在医学影像及相关结构预测任务中也展现出了良好的表征能力[25][26]。这些特性使得Mamba非常适合用于心电图重建，因为该任务既需要考虑局部形态特征，也需要考虑长距离的时间背景。因此，我们提出了基于生理学约束的Mamba-UNet模型，用于任意单导联到12导联心电图的重建。该模型以12个标准导联中的任意一个作为输入，通过统一的编码器-解码器架构重建完整的12导联心电图。在实验中，我们会为每个输入的导联分别训练对应的模型检查点，从而能够有针对性地评估不同导联输入条件下的重建难度。该架构采用卷积编码来提取局部形态特征，利用基于Mamba的模块进行长距离时间建模，并通过导联交互模块来实现导联间依赖关系的显式建模。此外，还引入了基于艾因托芬法则一致性、胸导联R/S比值变化规律以及威尔逊理论启发式的胸部导联离散度先验等可微的生理学约束，进一步提升重建结果的结构性合理性。我们在大规模的PTB-XL数据集[27]上对所提框架进行了评估，采用了PTB-XL常用的基准测试方法[28]，同时还在CPSC2018数据集上进行了外部泛化性能测试[29]。通过控制实验、逐导联分析、消融研究、鲁棒性评估、不确定性估计、外部领域适应性分析以及下游诊断任务评估，我们全面分析了所提方法的优点与局限性。本研究并非旨在完全替代传统的标准诊断采集方式，而是探索如何将显式的结构先验与长距离序列建模理念整合到一个统一的神经计算框架中，以实现与12导联心电图兼容的重建结果。尽管现有的深度学习模型在单导联心电图重建领域已经取得了显著进展，但若仅依靠全局波形拟合指标，如全局PCC值或均方根误差，纯数据驱动的黑盒模型很可能已接近性能瓶颈。更重要的是，在实际的临床环境中，如果只优化整体均方误差，就可能会忽视那些对诊断至关重要的局部电生理特征。因此，为了更好地支持基于可穿戴设备或简化导联记录的数据进行12导联兼容的计算分析，重建框架需要解决三个实际挑战：高效处理长长度的心电图序列、准确保留QRS波群等具有诊断意义的形态特征，以及在复杂病理条件下具备对导联间结构失真的强鲁棒性。本研究聚焦于任意单导联心电图的重建问题，重点探讨了三个相互关联的方面：长序列建模效率、具有诊断价值的局部形态保留以及导联间结构一致性。本研究的主要贡献如下：•我们开发了一种系统级的卷积Mamba-UNet框架，通过整合对形态特征敏感的卷积编码、选择性状态空间时间建模以及多尺度解码技术，实现了任意单导联到12导联心电图的重建。其创新之处在于将这些组件适配并组合起来用于长序列心电图的重建，而非提出全新的序列建模模型。•我们将艾因托芬法则一致性、胸导联R/S比值变化规律以及受威尔逊理论启发的胸部导联离散度先验设计为可微的软约束机制。这些约束旨在提升导联间结构的连贯性，而非强制实现完全符合生理学特征的重建结果。•我们在PTB-XL和CPSC2018数据集上进行了多层次的评估，同时还加入了LUDB数据集的零样本测试，评估指标包括波形保真度、与形态相关的误差、生理学一致性、计算效率、模型鲁棒性、不确定性估计、领域偏移情况以及下游诊断任务的性能。

片段摘录：简化导联到多导联心电图的重建早期关于简化导联心电图重建的研究主要依赖于固定的线性映射、基于回归的变换方法或手工设计的规则，通过有限数量的可用导联来估算出缺失的导联信号[10][11][12]。这些方法为导联补全和信号推断提供了重要基础，但由于它们依赖于预定义的变换方式，且难以捕捉不同心电图导联系统及表示法下的非线性导联间关系，因此存在一定局限性。

心电图导联系统与表示法：标准的临床心电图通常由12个同步采集的导联组成，其中包括3个双极肢体导联[数学处理错误]、3个增强型肢体导联[数学处理错误]以及6个胸导联[数学处理错误]。对于长度为[数学处理错误]的某段记录，完整的12导联信号可表示为[数学处理错误]，其中第[数学处理错误]行对应的就是第[数学处理错误]个导联的波形。在任意单导联的重建场景中，会选择一个导联作为已观测的输入，其余导联则视为未被观测的目标导联。用[数学处理错误]表示该已观测导联的索引。

所提框架概述：图1展示了所提出的基于生理学约束的Mamba-UNet模型的整体架构。给定一个已观测的导联[数学处理错误]，对应的特定导联模型检查点会利用统一的编码器-解码器架构重建出完整的12导联估计值[数学处理错误]。该设计的核心目标是满足任意单导联心电图重建的三大需求：保留局部形态特征、建模长距离时间依赖关系，以及协调恢复各导联间的结构关系。如图1所示，所提出的模型……

数据集与预处理：所提模型主要在PTB-XL数据集上进行训练和评估，同时以CPSC2018数据集作为独立的外部基准测试集。对于PTB-XL数据集，需从低分辨率记录目录中加载频率为100赫兹的记录。只有同时满足以下条件的记录才会被保留：包含全部12个导联、样本数量至少为1000个、不存在NaN或Inf值，且最大绝对振幅不超过20毫伏。每条被保留的记录都会被插值处理，使每个导联的样本数量达到5000个，从而确保模型输入数据的长度一致。

结论：本研究将任意单导联到12导联心电图的重建问题视为一种受限条件下的重建任务，而非从单一空间投影出发的精确逆向重建问题。我们提出了一种基于生理学约束的卷积Mamba-UNet模型，该模型整合了局部形态特征提取、选择性状态空间时间建模、导联间交互机制以及可微的生理学约束机制。在PTB-XL数据集上的实验，以及在CPSC2018和LUDB数据集上的外部评估结果表明，该模型具有良好的性能。

CRediT作者贡献声明：陈星宇：撰写——原始草案、可视化、软件工具、方法设计、概念构思。曾贤友：指导监督。徐全生：指导监督。戴磊：指导监督。徐永红：指导监督。

利益冲突声明：作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。陈星宇目前是中国安徽淮北市淮北师范大学计算机科学与技术学院的研究生，她的研究兴趣包括医学信号处理以及生物医学数据的智能分析。

陈星宇|曾贤友|徐全生|戴磊|徐永红
中国安徽省淮北市烈山区淮北师范大学计算机科学与技术学院，邮编235000