基于深度学习的ECG信号QR码压缩：实现心血管疾病监测的隐私保护新方案

《Scientific Reports》：Learning to compress electrocardiogram signals on a quick response code

　　本研究针对中低收入国家心电图（ECG）数据纸质记录易泄露患者隐私的问题，开发了一种基于深度学习ECGNet（·）的压缩方法，结合Brotli无损压缩算法，将8秒单导联ECG信号嵌入QR码。在包含26种心血管疾病（CVDs）的公开数据集上验证，达到压缩因子（CF）82.37、百分比均方根差异（PRD）2.70%和结构相似性指数（SSIM）0.94的性能，显著优于现有技术，为连接医疗（CH）系统提供了安全、高效的ECG数据传输方案。

　　

在全球范围内，心血管疾病（CVDs）每年导致约1850万人死亡，占全球总死亡人数的32%。其中，心律失常是CVDs的主要诱因之一。在低收入和中等收入国家（LMICs），由于医疗资源有限，心电图（ECG）记录常常以纸质形式存在，这不仅增加了数据管理的难度，还可能导致患者隐私的泄露。传统的ECG数据传输和存储方式在安全性和效率方面存在明显不足，尤其在连接医疗（CH）系统尚未普及的地区，这一问题更为突出。

近年来，QR码因其高数据容量、纠错功能和快速解码能力，被广泛应用于安全数据传播。然而，将ECG信号嵌入QR码面临巨大挑战：ECG信号包含负值和浮点数，数据量庞大，而QR码的存储容量有限（最高版本40的QR码仅能存储约2953个二进制字符）。以往的研究尝试通过量化、二维变换或分段存储来解决这一问题，但往往导致信号质量下降或操作复杂，无法满足临床诊断的需求。

为了解决这些难题，印度理工学院卡拉格普尔分校的Apoorva Srivastava、Dipayan Dewan、Amit Patra和Debdoot Sheet团队在《Scientific Reports》上发表了一项创新研究，提出了一种基于深度学习的ECG信号压缩方法，能够将单导联ECG信号高效压缩并嵌入单个QR码，同时保留关键的临床信息。该方法不仅显著提升了压缩效率，还确保了重构信号的质量，为LMICs的医疗数据管理提供了可行的技术方案。

研究人员开发了一个名为ECGNet（·）的深度学习模型，其核心是一个编码器-解码器架构。编码器ECGNet_c（·）负责将ECG信号压缩为低维张量，解码器ECGNet_d（·）则从压缩张量中重构信号。模型训练使用了来自中国、乔治亚和德国的公开数据集，包含88,179条ECG记录，涵盖26种心血管疾病和正常窦性心律（NSR）。

数据预处理与模型训练

ECG信号首先经过信号质量评估（SQA），仅保留质量合格的信号。随后，通过高通滤波器（0.5 Hz截止频率）和陷波滤波器（50 Hz）去除基线漂移和电源线干扰，并重采样至250 Hz，最终进行归一化处理，使信号长度统一为8.192秒（2048个样本）。ECGNet（·）使用随机梯度下降（SGD）优化器训练50轮，学习率为0.01，损失函数基于结构相似性指数（SSIM）。

压缩与重构流程

在压缩阶段，预处理后的ECG信号输入ECGNet_c（·）生成压缩张量，随后通过Brotli算法进行无损压缩，再经过Base-64编码生成二进制流，最终嵌入QR码。在解压缩阶段，QR码被扫描并解码，通过Base-64解码、Brotli解压缩和ECGNet_d（·）处理，重构出ECG信号。

模型架构优化

ECGNet（·）的编码器包含多个下采样卷积块（DownConv），每个块由卷积层（Conv）、注意力模块（DAM）和下采样操作（Down）组成。解码器则通过上采样模块（UP）和DAM逐步恢复信号细节。研究表明，当压缩张量维度为1×32、卷积核大小为7时，模型在压缩因子（CF）和信号质量之间达到最佳平衡。

性能评估

研究人员使用压缩因子（CF）、百分比均方根差异（PRD）和结构相似性指数（SSIM）评估模型性能。在隐藏测试集（德国数据集）上，该方法在CF为82.37时，对导联II信号实现了PRD 2.70%和SSIM 0.94，对导联I信号实现了PRD 2.80%和SSIM 0.94。此外，重构信号与原始信号在关键形态特征（如RR间期、P波振幅等）上的误差极小，表明该方法具有良好的临床适用性。

与现有技术的比较

与以往研究相比，该方法显著提升了压缩效率和解压信号质量。例如，Mathivanan等人2019年的研究仅能压缩1-3.8秒的ECG信号，且CF低于10，而本研究处理的信号长达8秒，CF高达82.37，同时保持了较低的PRD和较高的SSIM。

消融实验

消融实验进一步验证了各组件的重要性。当使用Pixel Shuffle上采样和Brotli压缩时，模型性能最优；而其他无损压缩算法（如Huffman、zlib）的CF均低于Brotli。此外，不同潜在张量维度的测试表明，1×32的配置在保持高CF的同时，实现了最佳的信号重构质量。

本研究成功开发了一种基于深度学习的ECG信号压缩方法，能够将长达8秒的单导联ECG信号高效嵌入QR码，在保证信号质量的同时显著提升了数据传输的安全性和存储效率。该方法在包含26种心血管疾病的多样化数据集上进行了验证，展现了良好的泛化能力和临床适用性。未来，这一技术有望广泛应用于移动医疗、远程监护和健康管理领域，特别是在资源有限的LMICs，为心血管疾病的早期诊断和持续监测提供有力支持。