利用残差神经网络从心电图信号中识别心脏风险因素

《Congenital Heart Disease》：Identification of Cardiac Risk Factors from ECG Signals Using Residual Neural Networks

　　心脏异常自动检测与ECG年龄预测研究：提出基于改进ResNet的多标签分类模型，通过波let去噪、形态学滤波和自适应数据增强处理不平衡数据，并评估12导联缺失下的鲁棒性。实验表明模型在基准测试中达到93.9%的F1分数，且通过分组训练策略使ECG年龄预测误差降低至MAE 0.78±0.02岁。

　　心血管疾病是全球范围内的主要健康问题之一，其导致的死亡率高达32%，每年造成近1790万例死亡。这凸显了对心血管疾病进行准确且及时诊断的必要性。心电图（ECG）作为评估心脏健康的重要工具，能够通过分析心脏的电传导系统产生的电压变化，提供关于心脏节律、心率和功能的关键信息，从而帮助识别如心律失常、传导阻滞和结构性心脏病等病症。然而，传统的ECG解读依赖于人工分析，这一过程需要专业人员对波形、间隔和节律进行细致观察，存在主观性差异、疲劳和误诊等挑战，特别是在识别细微或复杂情况时，这些限制可能导致漏诊或误报，尤其是在预测心脏病发作等关键场景中。

为了解决这些问题，自动化方法结合先进的深度学习技术已成为一种有前景的解决方案。12导联心电图作为全球心脏评估的标准配置，通过结合肢体和胸导联，提供了关于心脏电活动的详细信息，有助于检测局部异常并提高诊断的准确性。近年来，深度学习，特别是卷积神经网络（CNN）和残差神经网络（ResNet），在ECG信号的自动处理方面取得了显著进展。CNN擅长检测局部波形模式，而ResNet通过其跳接结构，能够在不牺牲性能的情况下构建更深的网络，有效捕捉细微信号变化和长期依赖关系。此外，ECG年龄（ECG Age）的概念为心脏健康提供了一个新的视角，它反映的是心脏的生理年龄，而不是实际年龄，从而揭示了潜在的心血管疾病。

在本研究中，提出了一种改进的ResNet架构，用于检测心脏异常并估计ECG年龄。研究聚焦于12导联ECG数据中常见的六种心脏状况：1度房室传导阻滞（1dAVB）、右束支传导阻滞（RBBB）、左束支传导阻滞（LBBB）、窦性心动过缓（SB）、窦性心动过速（ST）和心房颤动（AF）。为了应对如类别不平衡、缺失导联和模型泛化等重要问题，研究采用了多步骤的预处理方法，包括高通滤波、陷波滤波、形态学滤波和小波变换，以去除噪声并增强信号质量。这些预处理步骤不仅确保了数据的高质量，还为后续的深度学习模型训练提供了可靠的基础。

为了处理类别不平衡问题，研究从原始数据集中选取了30,000个样本，并通过随机采样确保各异常类别具有可比的代表性。最终，数据集被划分为训练集（70%）、验证集（20%）和测试集（10%），以保持类别分布的一致性。在模型训练过程中，采用了网格搜索策略和验证性能监控，以优化超参数的选择。研究中选择了0.001作为学习率，平衡了特征学习和收敛效率；选择了32作为批量大小，以在训练效率和模型性能之间取得最佳平衡；采用Adam优化器，以兼顾动量和RMSprop的优势；并应用了L2正则化，以防止过拟合并提高模型在未知数据上的泛化能力。对于多标签分类任务，模型采用了二元交叉熵损失函数，以优化多类别预测的准确性。

在模型设计方面，研究引入了残差学习和跳接结构，以应对ECG信号中常见的细微变化和复杂模式。跳接结构使得输入可以直接添加到残差块的输出，从而确保梯度的稳定流动，并保留信号的基本结构。这种设计对于ECG信号的处理至关重要，因为基线特征（如心电波形的总体形态）必须保持不变，以便网络能够准确检测出与异常相关的细微变化。通过残差学习和跳接结构，模型能够更有效地处理高维、多变量的时间序列信号，从而提高对心脏异常的识别能力。

在模型评估方面，研究对比了多种模型，包括12层CNN、15层CNN和Ribeiro等人的基准模型。提出的ResNet模型在多个关键指标上表现出色，如子集准确率（Subset Accuracy）、汉明损失（Hamming Loss）、宏平均精确度（Macro Precision）、宏平均召回率（Macro Recall）、宏平均F1分数（Macro F1 Score）、微平均精确度（Micro Precision）、微平均召回率（Micro Recall）和Jaccard指数。ResNet模型的子集准确率达到0.90557，汉明损失为0.02154，Jaccard指数为0.90505，这些结果表明模型在识别多标签ECG异常时具有较高的准确性，并且在处理不同类别时表现出良好的平衡性。此外，模型的微平均F1分数达到0.93042，显示出其在处理不同频率的异常时的稳健性。

在评估模型对缺失导联的鲁棒性时，研究通过系统地移除不同组合的导联，生成了4096种不同的缺失导联情况，以全面分析模型在不同数据完整性的表现。结果显示，基于心率的异常（如ST、SB和AF）在高达75%的导联缺失情况下仍能保持较高的分类准确率，而基于传导的异常（如1dAVB、RBBB和LBBB）则在导联缺失超过四个时表现出显著的性能下降。这一发现强调了针对不同异常类型优化模型的重要性，从而确保在实际应用中，即使在数据不完整的情况下，模型也能提供可靠的结果。

为了提高模型的鲁棒性，研究提出了一个分组策略，将基于心率的异常与基于传导的异常分别进行训练。这一策略使得模型在处理不同类型的异常时能够更有效地分配资源，从而在多种导联缺失情况下实现更高的分类准确率和稳定性。结果表明，经过分组训练后，模型的总体分类准确率达到95.12%，F1分数达到95.79%。这表明，通过分组训练，模型能够更好地适应不同导联缺失情况，从而在临床实践中提供更可靠的结果。

ECG年龄的预测结果也显示了模型的潜力。对于正常ECG信号，预测的ECG年龄与实际年龄之间的偏差较小，而异常ECG信号则显示出较大的偏差。这一偏差可能反映了心脏的生理老化或潜在的心血管疾病，从而为早期干预提供依据。通过将预测的ECG年龄与实际年龄进行比较，模型能够识别出那些心脏年龄显著高于实际年龄的个体，这些个体可能面临更高的心血管风险。

在实际应用中，模型的推理延迟被评估为在NVIDIA P100 GPU上约为3秒，对应每样本约0.914毫秒的延迟和每秒约1094样本的吞吐量。这一延迟水平表明模型能够在接近实时的情况下进行ECG分析，这对于需要连续监测的可穿戴设备来说是一个重要的优势。然而，为了进一步验证模型在资源受限设备上的可行性，未来的研究可能会专注于评估其在嵌入式GPU和神经处理单元（NPUs）上的性能，以及仅使用CPU的部署情况。

研究还探讨了模型在实际应用中的临床意义和潜在用途。由于模型在多标签分类任务中表现出高召回率和精确度，它可以在可穿戴设备中作为早期预警和筛查工具，特别适用于高风险人群，如老年人和专业运动员。此外，ECG年龄的偏差可能成为心血管风险的早期标志，提示医生对可能面临心血管疾病风险的个体进行进一步评估。结合异常检测和ECG年龄分析，模型为预防性心脏护理提供了一条可行的路径。

为了增强模型的评估，研究还分析了单异常和多异常情况下的表现。结果显示，模型在单异常ECG中的微平均F1分数达到98.65%，而在多异常ECG中的微平均F1分数为95.16%，表明模型能够有效地处理重叠的病理情况。此外，通过按人口统计学因素进行进一步分层，研究发现模型在不同年龄组和性别中的表现保持一致，说明其预测性能不受特定人群的影响。

研究还探讨了模型在实际应用中的挑战和未来方向。尽管模型在处理缺失导联情况时表现出一定的鲁棒性，但在实际部署中，如何应对这种情况仍然是一个关键问题。未来的工作可能包括开发基于深度学习的信号重建模型、优先使用最可靠导联的信息，或训练专门的分类器以在减少导联的情况下有效工作。此外，设计一个备用机制，当关键导联信息缺失时能够标记不确定的预测，并提示重新采集或进行确认性检测，将有助于提高系统的可靠性和适用性。

最后，研究强调了将自动化ECG模型整合到远程医疗平台和可穿戴健康监测系统中的潜力。通过在这些平台中嵌入自动ECG分析模型，可以实现即时的诊断反馈和实时警报生成，从而支持医生并赋予患者早期检测的能力。这些进展不仅提高了自动ECG分析的实用性，还加速了其在常规临床实践中的应用，使技术进步与医疗需求相辅相成。

总之，本研究提出了一种基于ResNet的深度学习框架，用于心脏异常的检测和ECG年龄的估计。通过引入改进的信号处理技术和分组训练策略，模型在处理数据缺失和类别不平衡方面表现出色。研究结果表明，该模型不仅在多标签分类任务中具有较高的准确率和稳健性，还能够通过ECG年龄的预测提供额外的临床见解。未来的工作将集中在优化模型在资源受限设备上的性能，开发更高效的实时处理方法，并探索将模型整合到更广泛的医疗系统中，以提高心脏健康监测的准确性和实用性。