《AI》：MIMO-Net: Multi-Input Multi-Output Deep Learning Network for Full 12-Lead ECG Reconstruction from a Single Lead
编辑推荐：
标准12导联心电图（ECG）是心脏诊断和监测的金标准工具；然而，其多电极配置限制了其在长时间监测和可穿戴设备中的应用。现有便携式心电图设备通常仅记录单导联，降低了其诊断价值。为克服这一限制，研究人员提出了新型多输入多输出神经网络（MIMO-Nets），无需任何
标准12导联心电图（ECG）是心脏诊断和监测的金标准工具；然而，其多电极配置限制了其在长时间监测和可穿戴设备中的应用。现有便携式心电图设备通常仅记录单导联，降低了其诊断价值。为克服这一限制，研究人员提出了新型多输入多输出神经网络（MIMO-Nets），无需任何特征提取技术即可从单条原始心电图导联重建标准12导联心电图。研究调查了四种深度学习架构：MIMO-Conv-Net、MIMO-U-Net、Conv-Net和U-Net。每个模型均使用所有12个标准心电图导联，并以不同长度L作为候选输入进行训练和评估，以确定最佳单导联采集策略。结果表明，L=256时的II导联在所有架构中始终提供最高的重建性能，使其成为信息量最大的单导联输入。以II导联为输入，MIMO-U-Net在处理后的临床数据集（ST-Petersburg INCART）上取得了最高的重建精度，在L=256时平均相关系数为0.864，紧随其后的是U-Net（0.862）。在来自PTB-XL数据库的原始未处理记录上，两个模型均获得了较低但仍具竞争力的相关性（分别为0.740和0.732）。这些发现证明了从单导联到12导联心电图重建的可行性，并强调了信号预处理在重建保真度中的作用，支持可穿戴心电图系统用于连续心脏监测的发展。
论文解读：MIMO-Net实现单导联至12导联心电图重建
12导联心电图（ECG）是临床诊断心血管疾病的金标准，它通过10个体表电极采集6个肢体导联（I、II、III、aVR、aVL、aVF）和6个胸前导联（V1–V6），从多个空间视角全面反映心脏电活动。然而，多电极配置使其难以用于长时间或动态监测。便携式可穿戴心电设备虽然支持长时记录，但通常只能获取单导联，诊断信息不足。如何在减少导联数的同时恢复完整诊断信息，成为心电监测领域的关键问题。
已有多种神经网络方法试图弥补这一缺口，但多数依赖信号预处理或特征提取，例如短时傅里叶变换（STFT）、主成分分析（PCA）、离散小波变换（DWT）等。这些步骤增加了计算开销和系统复杂度，不利于实时部署。近年来，端到端深度学习方法开始直接处理原始心电信号，如基于U-Net架构从两个或三个导联重建胸前导联，但尚需至少两个输入导联。Chen等人首次提出多通道掩码自编码器（MCMA），无需特征提取即可从任意单导联重建完整12导联心电图，但其在PTB-XL数据库上的平均相关系数仅为0.7772，仍有改进空间。基于此，本研究提出多输入多输出（MIMO）结构的深度学习网络族MIMO-Net，旨在从单个原始心电导联直接重建完整12导联，并系统评估最佳输入导联与信号段长度，为可穿戴连续心脏监测提供技术基础。
研究人员设计了四种卷积神经网络架构：Conv-Net、U-Net、MIMO-Conv-Net和MIMO-U-Net。MIMO结构将同一输入导联信号复制为两份，分别送入两个并行编码器分支，提取互补特征后经融合层合并，再通过共享瓶颈层，最终由12个独立解码器分支分别重建各导联。所有模型使用均方误差（MSE）作为损失函数，采用Adam优化器，批量大小为8，训练100轮。研究在两个数据集上开展：一是已处理的ST-Petersburg INCART心律失常数据库，包含75条30分钟记录，采样率257Hz，数据经离散小波变换去噪、0.5Hz高通滤波和幅度归一化；二是未处理PTB-XL数据库，包含21,799条10秒12导联记录，采样率500Hz，且未进行任何筛选或预处理。评估指标采用皮尔逊相关系数（R）和均方误差（MSE）。该研究成果发表于《AI》。
在INCART数据库上的实验结果表明，MIMO-U-Net在所有输入导联配置下均取得最高平均相关系数和最低MSE，MIMO-Conv-Net和U-Net次之，Conv-Net最弱。在所有候选输入导联中，II导联和aVF导联提供最强的重建性能，R值接近0.85，而I导联和V3导联相关性较低。进一步分析发现，所有模型在最短段长度L=256时性能最佳，随着L增大至512和1024，性能逐渐下降。其中，MIMO-U-Net在L=256时以II导联为输入取得最高平均相关系数（0.864），U-Net紧随其后（0.862）。
逐导联结果显示，II导联自身几乎被完美重建，aVR和aVF因与II导联存在较强的生理相关性（如Einthoven定律和Goldberger定律）而表现良好；胸前导联中V5和V6重建效果较好，而aVL、V2、V3和V4相对困难，其中V4相关系数最低且MSE最高。定性可视化显示，MIMO-U-Net和U-Net均能准确捕捉多数导联的P波、QRS波群和T波形态，但U-Net在V2、V5和V6导联的QRS前出现明显伪影，而MIMO-U-Net更贴近真实信号。特征图可视化进一步表明，MIMO-U-Net的双编码器分支学习到两种互补的激活模式，融合后提供了更丰富的潜在表示，这解释了其性能优势。
在未处理的PTB-XL数据库上，以固定II导联为输入时，MIMO-U-Net和U-Net的平均相关系数分别为0.7404和0.7315，均明显优于MCMA（0.6484）。MIMO-U-Net的相关系数随段长度增加而提高，在L=1024时达到最佳；U-Net则对段长度不敏感。MCMA表现低于其原始论文报告值，原因是固定单导联训练比任意导联训练更具挑战性，但所提模型仍表现出更强的鲁棒性和泛化能力。计算效率方面，MIMO-U-Net推理延迟最低（102.69毫秒），但内存占用较大（57.83MB），而U-Net内存占用仅4.99MB。
讨论指出，输入导联选择显著影响重建保真度，II导联因其电轴与心脏正常传导路径一致，P波和QRS波更清晰，因而是信息量最大的单导联输入。MIMO结构通过并行编码与专用解码更好地利用导联间相关性，同时保留各导联特有形态。处理与未处理数据集间的性能差距表明，即使轻量级预处理（如去基线漂移和去噪）也能大幅提升重建质量，是实际部署的重要前提。与MCMA相比，所提模型在固定单导联约束下具有更强泛化能力。
研究结论：本研究提出了MIMO-Net，一个无需特征提取即可从单导联重建完整12导联心电图的深度学习架构家族。通过系统比较Conv-Net、U-Net、MIMO-Conv-Net和MIMO-U-Net，获得四项主要发现：第一，输入导联选择对重建保真度有实质性影响，II导联始终提供最佳重建基础；第二，所提出的MIMO结构——将重复输入信号经两个独立编码器处理并由12个导联专用解码器重建——一致优于对应的单输入单输出（SISO）模型；第三，处理与未处理数据集间的显著精度差距凸显了输入信号质量的重要性，预处理应被视为可穿戴场景部署的实际前提；第四，在未处理PTB-XL数据集上，固定II导联条件下所提模型比MCMA表现出更强的鲁棒性和泛化性能。这些发现表明，在合适的深度学习架构和信号处理技术支持下，从单导联重建12导联心电图在临床上是可行的，对可穿戴监测、资源有限环境及急诊医学具有重要意义。未来工作将探索整合患者特定元数据、扩展多导联输入以及设计轻量化的设备端预处理流程。
