一种极简主义的1导联心电图（ECG）心跳分类方法，无需手工提取形态学特征，即可实现基于边信息的患者间诊断

《Scientific Reports》：A minimalist 1-lead ECG beat classification without handcrafted morphological feature extraction for inter-patient, edge-oriented diagnosis

　　

摘要

传统的机器学习模型依赖于手工构建的特征提取方法。这些方法需要领域专业知识，并且会增加计算成本，从而限制了它们在资源受限的可穿戴边缘设备上的应用。本研究的目的是探讨是否可以在不进行手工形态学或频谱特征提取的情况下，仅使用原始心电（ECG）信号通过机器学习方法对心律进行分类，并在独立于患者的评估环境中保持临床级别的准确性。实验使用了MIT-BIH心律失常数据集，该数据集包含Lead-II导联的心电信号，信号被划分为五个AAMI心律类别，并根据DS1/DS2协议进行评估（训练和测试时使用的是不同患者的心电数据）。在DS1数据集上对三种心律段进行了交叉验证，以选择最合适的一种心律段；随后对该心律段进行逐步压缩，以分析压缩比率对分类准确性的影响。使用径向基核的支持向量机（SVM）分类器对压缩后的原始心电信号进行训练，该分类器利用R波峰检测值直接计算出RR间期，无需额外计算。在每搏64个样本的运行模式下，所提出的单导联方法在模型大小为680 KB、推理延迟为每个搏动0.297毫秒的情况下，正常心律的总体准确率达到90.8%，F1分数为0.95；室性早搏的总体准确率为90.8%，F1分数为0.73。室上性早搏仍然是最具挑战性的类别，这一结果与其他患者间研究中的发现一致。这些结果表明，在患者间环境中，少量的R波峰附近的原始心电样本以及一些心律时序信息就足以实现可靠的室性早搏检测。因此，所提出的方法可用于低延迟和资源受限的可穿戴心电监测。