《PLOS One》：A lightweight hybrid framework integrating convolutional neural networks and fast Fourier transform for reliable and calibrated ECG-based cardiac abnormality detection
编辑推荐：
心电图（ECG）是检测心脏异常的重要无创工具；然而，准确判读常需专科医师经验，在资源受限临床场景中难以普及。尽管深度学习模型分类性能优异，但现有架构多计算密集且缺乏预测可靠性评估，阻碍其在临床决策支持系统中的部署。研究人员提出一种集成卷积神经网络（CNN）与快
心电图（ECG）是检测心脏异常的重要无创工具；然而，准确判读常需专科医师经验，在资源受限临床场景中难以普及。尽管深度学习模型分类性能优异，但现有架构多计算密集且缺乏预测可靠性评估，阻碍其在临床决策支持系统中的部署。研究人员提出一种集成卷积神经网络（CNN）与快速傅里叶变换（FFT）组件的轻量级混合框架，将原始ECG信号学习到的时域形态表征与生理相关的频谱特征融合，实现准确高效分类。不同于既往方法，该研究通过引入概率校准与严格的患者级（patient-wise）验证协议强调可靠评估。所提方法在公开PTB-XL数据集上采用官方10折交叉验证协议，完成二分类与五类多标签分类。除常规区分度指标外，采用期望校准误差（Expected Calibration Error, ECE）评估模型可靠性。二分类准确率92.42%、AUC 97.8%；五类多标签宏AUC 92.46%。校准分析显示概率估计良校准且ECE低。该架构仅含约87K参数与0.26 GFLOPs，高效轻量。结果表明轻量级混合架构结合校准感知评估可支持资源受限医疗场景中的可靠AI辅助ECG诊断。
研究背景与动机
心血管疾病（CVD）占全球死亡约32%，早期ECG筛查至关重要，但低资源地区 cardiologist 短缺致判读延迟。深度学习在ECG自动分析上表现接近专家，但多数研究存在三类局限：依赖私有数据或随机切分引发患者依赖数据泄漏、忽视多标签特性、只报区分度指标（accuracy/F1/AUC）而不评估预测概率校准（calibration）。PTB-XL虽成基准，但既有CNN/RNN/Transformer模型常参数庞大、不可解释、未做患者级验证与ECE分析。研究人员认为，轻量、双域（时域+频域）、校准可控的模型才适合临床边缘部署，由此开展本研究，论文发表于《PLOS One》。
主要关键技术方法
研究人员使用PTB-XL公开数据集（18,869名患者、21,799条12导联记录，500 Hz），二分类取17,407条100%诊断确定记录（正常7,023/异常10,384），五类多标签用全队列。严格采用官方10折分层、患者不重叠切分（fold1-8训练、9验证、10测试）。预处理：0.5–50 Hz五阶Butterworth带通双向滤波去基线漂移与肌电噪声，各导联Z-score归一化，截断/零填充至5000采样点（10 s）。时域由三层1D-CNN（卷积+BN+ReLU+MaxPool）自动提取；频域对每导联做FFT，显式计算主导频率、频带能量（0–40 Hz）、谱质心、谱宽，低维拼接。双分支融合后经全连接输出。训练用Adam（lr=1e-3）、dropout 0.3、L2正则，二分类BCE / 五类分类CCE，阈值0.5。可靠性除常规指标外以ECE与可靠性图评估，并做FFT vs Welch-PSD vs DWT消融。
研究结果
二分类性能：混合CNN–FFT在测试集获准确率92.42%、F1 93.13%、AUC 97.8%，优于纯CNN基线（90.26% Acc、95.8% AUC），假阴性率下降。混淆矩阵与PR曲线显示正常/异常区分平衡；校准曲线贴近理想线，ECE=0.0297，概率可信。
五类多标签性能：NORM、MI、STTC、CD类F1与AUC高，MI类AUC>93%；HYP类因与STTC/CD形态频谱重叠致F1偏低但AUC仍高。宏F1 77%、宏AUC 92.46%。混淆集中在STTC–HYP与CD–STTC对。ROC显示MI/STTC/CD区分力强。
消融研究：FFT分支不引入可训参数，仅作确定性变换；相比Welch-PSD与DWT，FFT特征在二分类与多标签上贡献最稳，多变换并行反而因冗余略降性能。证明“简单生理意义频谱+轻量CNN”优于复杂多变换堆叠。
模型校准分析：二分类ECE 0.0297；五类中NORM/MI近理想线，CD/STTC中度偏离，HYP因不平衡波动。整体表明模型输出风险概率可用于临床决策，不仅看对错还看置信度匹配实际发生率。
讨论部分总结
研究人员指出，该轻量混合框架在患者级协议下取得与大型黑盒模型可比的区分度，且补足了校准与可解释性两块短板。与既往PTB-XL研究比，本模型Exact Match 63.9%、宏F1 77%、宏AUC 92.46%、mAP 81.3%、ECE 2.28%，参数86,853、0.26 GFLOPs、单条推理0.93–1.19 ms（V100上≥841 FPS），比ResNet-50/DenseNet-121小99%以上，也比MVMS-Net/WildECG轻3–4倍。讨论强调HYP难分源于病理生理重叠（肥厚劳损拟缺血、QRS增宽拟传导障碍），非模型缺陷；并说明FFT显式分支让频带（高频对应快速去极化、低频对应复极）可追溯至QRS/ST段，提供双域透明性。研究者提醒许多高分文献因同患者跨训练/测试致乐观偏差，校准缺失限制CDSS落地。
结论部分翻译
本研究提出并系统评估了一种CNN–FFT混合架构，在PTB-XL上将时域特征与频域提取特征融合。二分类中模型可靠区分正常与异常ECG，准确率92.42%、AUC 97.8%；五类多标签在NORM、MI、STTC、CD类表现均衡，HYP类高AUC表明可捕获肥厚特异性信号成分。校准分析ECE低，无误导预测，适用于基于风险的临床决策。消融证实FFT频域特征在算力与区分度上贡献最强，Welch-PSD/DWT因冗余无益。该框架以高精度、良校准、可解释频谱与低算力，成为临床决策支持系统实用候选；未来可引入多分辨率频谱、信号质量自适应预处理及低功耗端侧部署。
