《Frontiers in Artificial Intelligence》：Higher-dimensional embedding of time-series data for machine learning
编辑推荐：
摘要专业翻译
引言： 深度学习已彻底变革了图像分析领域，然而大多数临床生物信号，尤其是多导联心电图（ECGs），仍保持一维形式，难以适配现代视觉模型。
方法： 研究人员引入了一种正交多项式成像（OPI）框架，该框架在粗粒化处理之前，通过可逆变换将12导联心电图
摘要专业翻译
引言： 深度学习已彻底变革了图像分析领域，然而大多数临床生物信号，尤其是多导联心电图（ECGs），仍保持一维形式，难以适配现代视觉模型。
方法： 研究人员引入了一种正交多项式成像（OPI）框架，该框架在粗粒化处理之前，通过可逆变换将12导联心电图编码为单幅二维图像，生成紧凑的图像表示，同时保留足以进行准确分类的信息。研究人员在大型PhysioNet心电图数据集上，将所提出的表示方法与包括ResNet、Transformer及一维时序卷积模型在内的既有架构进行了基准比较。
结果： 研究结果表明，基于OPI的图像表示在取得极具竞争力的分类性能的同时，保留了具有诊断相关性的时序信息和跨导联信息。
讨论： 该框架在粗粒化之前无表示信息损失地将原始多通道生物信号与标准图像学习架构相衔接，为自动化心脏诊断提供了一种有效、可扩展且受物理学启发的表示方法。
论文解读
一、研究背景与问题提出
机器学习已成为现代医学诊断的重要基石，在肿瘤检测和疾病分类等任务中，深度学习算法的表现往往达到甚至超越人类专家水平。然而，大多数临床生理信号——尤其是心电图（ECG）——是以一维时间序列形式记录的，传统分析依赖手工特征提取或对各导联独立处理，难以充分捕捉信号之间复杂的时空依赖关系。尽管深度神经网络可以直接处理原始时间序列，但基于图像的表示方法能够利用空间归纳偏置，在特定任务上取得具有竞争力的性能。这一差距促使研究者探索将图像处理技术应用于传统上以一维信号分析为核心的问题。核心挑战在于：如何在保留固有信息和生理结构的前提下，将一维信号转换为适合图像处理的结构化表示。
二、研究内容与核心贡献
针对上述挑战，研究人员提出了一种受高能物理中散射振幅分波分解启发的正交多项式成像（Orthogonal Polynomial Imaging，OPI）编码框架。该框架将多条一维信号映射为统一的二维表示：通过使用正交多项式叠加不同信号，生成同时嵌入时间动态和导联间关系的紧凑图像。这种表示可直接利用先进的图像分类模型，并将多样化数据源整合到单一连贯结构中。该方法的适用性在12导联心电图（临床无创心脏评估的金标准）上得到充分体现——每根导联提供心脏电活动的不同投影，准确诊断需要综合全部12导联的信息，而OPI方法天然地将这些信息整合到单幅图像中。
三、关键技术方法
研究人员采用的核心技术方法包括：其一，正交多项式叠加编码——将12导联心电信号矩阵（5,000×12）通过勒让德（Legendre）多项式或切比雪夫（Chebyshev）多项式基函数进行外积叠加，生成5,000×5,000的二维叠加图像，该变换基于正交归一化基函数具有可逆性，在粗粒化前不损失信息；其二，粗粒化降采样——通过非重叠块平均操作将叠加图像压缩至100×100或50×50分辨率，以降低计算成本；其三，逐样本逐导联标准化预处理——使用scikit-learn的StandardScaler对每个样本的每根导联独立进行均值和方差标准化，防止信息泄漏。研究使用PhysioNet心电图心律失常数据库，包含45,152份10秒静息12导联心电记录（500 Hz采样率），数据来自查普曼大学、绍兴市人民医院和宁波市第一医院等多个临床站点。实验采用患者级70-15-15训练-验证-测试划分，并使用五个随机种子（40-44）确保可重复性。
四、研究结果
4.1 基准测试OPI：使用勒让德多项式编码的Type 1数据
Type 1数据集包含2,991例窦性心动过速（ST）、4,986例窦性心动过缓（SB）和4,988例窦性心律（SR）样本。在100×100勒让德图像上训练的CNN表现出快速稳定的收敛，混淆矩阵显示各类别正确分类率分别为：ST为98.75%±0.46%，SB为99.81%±0.14%，SR为97.25%±0.41%。模型总体准确率达98.58%±0.13%，宏平均和加权平均精确率、召回率和F1分数均为0.985。ROC分析显示各类别AUC值分别为0.9988（ST）、0.9997（SB）和0.9992（SR），微平均AUC为0.9993，宏平均AUC为0.9992，微平均平均精确率（AP）达0.9989。
4.2 基准测试OPI：降低图像分辨率后的CNN性能
为评估更激进压缩对诊断性能的影响，研究人员在50×50勒让德图像上训练了相同架构的CNN。模型总体测试准确率为97.33%±0.18%，宏平均和加权平均F1分数均为0.9718±0.0016。ROC分析显示ST、SB和SR的AUC值分别为0.9966、0.9993和0.9957，微平均AUC为0.9979。尽管分辨率降低导致性能略有下降，但模型仍保持较强的判别能力，表明OPI编码在较粗糙的粒度下仍能保留足够的诊断信息。
4.3 使用勒让德多项式编码的Type 2数据
Type 2数据集包含4,987例ST、4,996例SB和4,984例SR样本，每条记录包含一个主要疾病标签及可能的合并症，引入了更高的变异性。CNN在该数据集上同样表现出稳定收敛和强泛化能力，各类别召回率分别为：ST为97.70%±0.70%，SB为98.30%±0.40%，SR为95.60%±0.70%。总体准确率为97.19%±0.29%，宏平均和加权平均精确率、召回率和F1分数均为0.9718±0.0029。ROC分析显示宏平均AUC为0.9970，微平均AP为0.9933±0.0008。
五、讨论与结论
OPI框架通过将12导联心电信号编码为紧凑的二维图像，在粗粒化之前建立了原始多通道生物信号与标准图像学习架构之间的桥梁，实现了无表示信息损失的转换。该框架有效捕捉了导联间关系，同时保留了心电图的显著时间特征，生成的紧凑二维图像适合作为全连接网络和卷积神经网络的输入。相比直接在原始信号上操作的1D时序模型和直接在原始导联-时间矩阵上操作的2D ResNet基线，OPI表示在多个数据集配置下均取得极具竞争力的分类性能，同时保留了具有诊断相关性的时序和跨导联信息。研究结论表明，OPI提供了一种有效、可扩展且受物理学启发的表示方法，为自动化心脏诊断提供了新的途径。虽然研究聚焦于心电图，但该方法的通用性使其可推广至其他具有类似特征的多通道时间序列数据。
