基于mRMR与CNN-Transformer混合多域心电图特征学习的心脏疾病分类研究

《Bioengineering》:Hybrid Multi-Domain ECG Feature Learning with mRMR and CNN–Transformer for Cardiac Disease Classification

【字体: 大 中 小 】 时间:2026年09月21日 来源:Bioengineering 3.7

编辑推荐:

  心血管疾病诊断需要准确及时地分析心电图(electrocardiogram, ECG)信号,以支持可靠的临床决策。然而,ECG信号本质上是非平稳的,表现出显著的患者间变异性,并且不同心脏疾病可能共享相似的形态模式,使得自动多类诊断具有挑战性。研究人员提出了一种

  
心血管疾病诊断需要准确及时地分析心电图(electrocardiogram, ECG)信号,以支持可靠的临床决策。然而,ECG信号本质上是非平稳的,表现出显著的患者间变异性,并且不同心脏疾病可能共享相似的形态模式,使得自动多类诊断具有挑战性。研究人员提出了一种基于多域机器学习框架的自动ECG心脏疾病分类方法,整合了信号预处理、心跳分割、变分模态分解(Variational Mode Decomposition, VMD)、多域特征提取、最小冗余最大相关性(minimum Redundancy Maximum Relevance, mRMR)特征选择以及混合CNN–Transformer学习。在PTB-XL数据库上使用五个诊断超类:NORM、MI、STTC、CD和HYP进行了实验。首先,应用四阶Butterworth带通滤波器(0.5–40 Hz)去除基线漂移和高频噪声,然后采用自适应Symlet-8小波去噪和软阈值处理,在保留P波、QRS波群和T波形态的同时抑制残余高频波动,随后对信号进行z-score标准化。随后检测R峰以分割标准化的心动周期。然后采用VMD将心跳信号分解为本征模态,并通过基于相关性的模态选择保留信息量最大的模态。提取时域、统计、频谱和非线性特征以捕获心脏电活动的互补特征,而mRMR通过最大化特征相关性和最小化冗余来选择八个信息量最大的特征。生成的表示通过混合CNN–Transformer架构进行处理,其中卷积层学习局部形态模式,基于Transformer的注意力捕获心脏特征表示中的长距离依赖。该框架在五个诊断类别中实现了93.60%的准确率、93.61%的宏平均精确率、93.60%的宏平均召回率、93.60%的宏平均F1-score和98.40%的宏平均特异性。混淆矩阵分析、受试者工作特征(Receiver Operating Characteristic, ROC)分析、比较评估和消融实验进一步证明了所提方法的判别能力和鲁棒性。这些发现表明,多域生物医学特征学习与基于注意力的深度学习相结合,可以为自动ECG心脏疾病分类提供有效且鲁棒的策略,凸显了机器学习在智能生物医学信号分析和计算机辅助临床诊断中的潜力。
## 论文解读

### 研究背景与问题

心血管疾病(Cardiovascular Diseases, CVDs)是全球范围内导致死亡的首要原因,仅2022年就造成约1980万人死亡。心电图(Electrocardiogram, ECG)作为一种无创、低成本且广泛可用的检测技术,是评估心脏电活动、诊断心律失常、心肌缺血、传导异常和心室肥厚等疾病的重要工具。然而,ECG信号具有非平稳性、显著的患者间变异性,且不同疾病类别之间可能存在相似的形态模式,使得自动化多分类诊断面临严峻挑战。传统手工特征方法虽然能够提取时域、统计、频谱或非线性特征,但容易产生冗余特征空间;深度学习方法则主要依赖端到端学习表示,忽视了ECG中互补的多域信号信息。目前的研究大多只关注分析流程中的某一环节,缺乏将信号分解、多域特征刻画、冗余感知特征优化和上下文特征交互学习统一于一体的框架。因此,研究人员提出了一种集成多域机器学习与注意力深度学习的自动ECG分类框架,旨在解决上述问题。

### 研究内容与结论概述

该研究在PTB-XL公开数据库上开展了五分类心脏疾病诊断实验,类别包括正常心电图(NORM)、心肌梗死(MI)、ST/T改变(STTC)、传导障碍(CD)和肥厚(HYP)。研究整合了ECG预处理、心跳分割、变分模态分解(VMD)、多域特征提取、mRMR特征选择以及混合CNN–Transformer分类器。实验结果表明,该框架在独立测试集上达到了93.60%的总体准确率、93.61%的宏平均精确率、93.60%的宏平均召回率、93.60%的宏平均F1-score以及98.40%的宏平均特异性,并通过混淆矩阵、ROC分析、对比实验和消融实验验证了方法的判别能力与鲁棒性。结论指出,将多域生物医学特征学习与基于注意力的深度学习相结合,可为自动ECG心脏疾病分类提供有效且鲁棒的策略。

### 关键方法

研究使用了PTB-XL数据库,该数据库包含来自18,885名患者的21,837条12导联ECG记录(采样率为100 Hz和500 Hz),本研究选用500 Hz记录,并遵循患者级划分策略(训练集fold 1–8,验证集fold 9,测试集fold 10)。主要技术流程包括:①采用四阶Butterworth带通滤波器(0.5–40 Hz)去除基线漂移和高频噪声,再经自适应Symlet-8小波去噪与z-score标准化;②使用Pan–Tompkins算法检测R峰,并以固定窗口分割心跳;③对每个心跳进行VMD分解为8个模态,基于Pearson相关性保留4个高相关模态;④提取14个特征(时域、统计、频谱、非线性),包括标准差、均方根幅度、峰峰幅度、偏度、峰度、信号能量、过零率、主频、频谱质心、频谱带宽、频谱熵、排列熵、Hjorth移动性和Hjorth复杂度;⑤应用mRMR算法选出8个信息量最大且冗余最小的特征;⑥将选定的特征按固定顺序输入CNN–Transformer网络,其中两个一维卷积块(64和128个滤波器,核大小3)提取局部模式,两个Transformer编码器(4头自注意力,前馈维度256)建模特征间长程依赖,经全局平均池化和全连接层输出五类Softmax概率。

### 研究结果

**实验设置**:实验遵循PTB-XL患者级划分,模型使用Python 3.13、TensorFlow和Keras实现,采用Adam优化器和交叉熵损失函数,并在验证集上监测收敛。

**模型训练性能**:训练和验证准确率曲线及损失曲线显示,模型在早期收敛迅速,验证集准确率与训练集接近,未出现过拟合,表明优化稳定且泛化良好。

**分类性能评估**:在平衡的500个样本测试子集(每类100个)上,总体准确率为93.60%。混淆矩阵显示NORM类准确率94%,MI类93%,STTC类92%,CD类93%,HYP类96%。宏平均精确率、召回率、F1-score均为93.60%,特异性98.40%。各类Specificity均维持在98.0%–98.5%,Recall最高为HYP的96.0%。

**ROC分析**:多分类受试者工作特征曲线显示,所有类别ROC曲线均靠近左上角,AUC值较高,进一步验证了模型的判别能力。

**t-SNE可视化**:t-SNE降维可视化显示五个类别在特征空间中形成清晰分离的簇,类间重叠极少,证实所学表示具有强判别性。

**比较性能分析**:与已有PTB-XL分类方法相比,该框架在准确率、精确率、召回率、F1-score和AUC方面具有竞争力(微平均AUC达0.993)。但需注意不同研究的类别设定和划分策略存在差异,结果仅作参考。

**消融研究**:在相同的数据划分和测试协议下,CNN基线准确率为88.41%,加入Transformer后提升至91.82%,加入mRMR后提升至90.74%,去除VMD后降至87.69%,去除时域或统计特征后准确率分别为90.34%和92.62%。完整模型(CNN+Transformer+mRMR)达到最高准确率93.60%,表明各组件均有正向贡献。

### 讨论与结论

讨论部分指出,该框架通过多域特征提取、mRMR选择和CNN–Transformer集成,能够同时学习局部形态和长距离依赖,在PTB-XL上表现稳健。消融实验证实了每个模块的有效性。局限性在于仅在PTB-XL单一数据库上验证,未来需在其他公共ECG数据库上测试,并探索实时部署和可解释人工智能(XAI)方法以增强临床实用性。

**结论**:本研究提出了一种基于机器学习的自动五分类ECG疾病诊断方法,采用PTB-XL数据库,整合ECG信号预处理、多域特征提取、mRMR特征选择和混合CNN–Transformer网络,实现对NORM、MI、STTC、CD和HYP五个诊断超类的分类。CNN骨干提取局部形态特征,Transformer模块捕获长程依赖,从而产生更具判别性的复杂生物医学ECG信号表示。实验达到93.60%总体准确率,并具有高精确率、召回率、特异性、F1-score和AUC。混淆矩阵、ROC分析、比较评估和消融研究进一步证明了该机器学习框架的有效性、鲁棒性和可靠性。总体而言,mRMR特征选择与CNN–Transformer学习的集成为自动ECG心脏疾病诊断和生物医学信号分析提供了一种有竞争力的方法。未来将在更多公共和临床ECG数据集上验证其泛化能力,探索轻量级CNN–Transformer架构用于可穿戴和边缘医疗系统,并结合XAI和注意力可视化技术提高模型可解释性和临床决策支持能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号