深度學習在心律失常檢測中的應用綜述

黃 麗，蔡定建，凌世康，歐陽昊，李 嘉

（五邑大學智能制造學部，廣東江門 529020）

0 引言

每年死于心血管疾?。╟ardiovascular disease，CVD）的患者多于任何其他疾病[1]。鑒于CVD 的高流行率、高發(fā)病率和高治療成本，及早就診有助于早期診斷和治療，從而減輕癥狀并避免并發(fā)癥的發(fā)生。

心率為心臟每分鐘跳動的次數(shù)，成年人的正常心率為60～100 次/min，不在該范圍內則稱為心律失常，也稱為不規(guī)則心跳[2]。CVD 的發(fā)病初期通常伴隨著心律失常，嚴重的心律失常可能會增加發(fā)生其他CVD的風險，例如心肌梗死、心肌病和心肌炎等。心電圖（electrocardiograph，ECG）具有非侵入性、操作簡單且無害等特點，刻畫了心臟在每個心動周期內產生的電活動變化波形，是一種臨床檢測心律失常的常規(guī)手段。全球每年采集的ECG 信號超過3 億條，這充分說明了其臨床實踐中的重要性[3]。基于ECG 的心律失常檢測工作量大，易導致效率低和誤診，因此隨著智慧醫(yī)療的興起，自動檢測心律失常的重要性逐漸凸顯。

深度學習是機器學習的一個重要子集，具備強大的特征提取和數(shù)據處理能力。近年來，越來越多的研究人員將深度學習應用于醫(yī)學領域[4]，例如醫(yī)學圖像處理[5]、基因組分析[6]、電子健康記錄分析[7]和生理信號分析[8]等方面，都取得了良好的效果。相比于機器學習，深度學習可以輔助醫(yī)生更高效地進行心律失常臨床檢測，搭載深度學習模型的可穿戴設備也可以給普通人提供日常的檢測。已有學者對機器學習在心律失常檢測領域的最新研究成果進行了歸納和分析，如文獻[9]闡述了機器學習在ECG 自動診斷方面的應用，文獻[10]從CVD 的角度分析了深度學習在ECG 自動診斷方面的研究過程，文獻[11]總結了深度學習在心電診斷方面的研究現(xiàn)狀。上述文獻均是從技術層面對現(xiàn)有方法進行了總結，并未仔細劃分具體的研究對象，如哪些方法是以單導聯(lián)ECG 作為研究對象，哪些是將12 導聯(lián)ECG 作為研究對象。因此，本文從不同的研究對象出發(fā)，闡述深度學習在心律失常檢測方面的應用現(xiàn)狀，并對現(xiàn)有檢測方法存在的問題進行分析和提出解決方案，以便為該領域的研究者提供更有針對性的檢測性能優(yōu)化思路。同時，本文也可為未來心律檢測手段走向智能化、多樣化提供理論參考。

1 深度學習在單導聯(lián)ECG 心律失常檢測中的應用

單導聯(lián)ECG 可用于初步檢測心律失常，包括早搏、房顫等各種心律不齊。此外，它也適用術后隨訪場景。結合深度學習技術，單導聯(lián)ECG 不僅可提供心電監(jiān)測，還可以作為心律失常的初篩工具，同時提供心臟疾病的早期預警。這種方法有助于早發(fā)現(xiàn)、早治療和早控制心臟疾病。

1.1 卷積神經網絡（convolutional neural network，CNN）

CNN 因其強大的特征提取能力，在圖像和聲音識別等領域中有較好的應用，適用于單導聯(lián)ECG 的特征提取。例如，Rajpurkar 等[12]構建了一種34 層CNN 模型，并利用該模型在29 163 名患者中收集到的64 121 條單導聯(lián)ECG 記錄進行心律失常檢測，最后獲得的精確度和敏感度分別達到80%和78.4%。Acharya 等[13]搭建了9 層CNN 模型，采用美國麻省理工學院與貝斯以色列醫(yī)院（Massachusetts Institute of Technology-Beth Israel Hospital，MIT-BIH）心律失常數(shù)據庫[14]分別對未去噪和去噪的單導聯(lián)ECG 進行了心律失常檢測。結果顯示，9 層CNN 模型在未去噪和去噪后的單導聯(lián)ECG 上分別得到了94.03%和93.47%的準確率。Wang 等[15]在其研究中提出了一個改進的7 層CNN 結構，通過不同大小的卷積核和最大池化層，實現(xiàn)了對單導聯(lián)ECG 心律失常的自動檢測，最終在MIT-BIH 數(shù)據庫上的準確率達到了99.06%，但并未克服數(shù)據庫中類別不平衡的問題。Romdhane 等[16]利用焦點損失函數(shù)[17]（Focal Loss）解決單導聯(lián)ECG 類別不平衡的問題，再使用由2 個卷積塊組成的CNN 模型完成心律失常檢測，其中每個卷積塊由3 個卷積層組成。最終，在MIT-BIH 數(shù)據庫上獲得了98.41%的準確率。

由于單導聯(lián)ECG 信號是一維的數(shù)據，因此研究者們構建了1-D CNN 用于心律失常的檢測。Kiranyaz等[18]構建了一種自適應1-D CNN 模型，先對每個患者的原始單導聯(lián)ECG 進行特征提取，再對室性異位搏動和室上性異位搏動的心律失常類別進行檢測。Yildirim 等[19]使用了16 層1D-CNN 對未經過預處理的10 s 單導聯(lián)ECG 進行心律失常檢測，最終檢測13、15、17 種心律失常類別的準確率分別為95.20%、92.51%和91.33%。de Santana 等[20]則使用2D-CNN 的方法檢測17 種心律失常，該方法主要是使用15×15像素的灰度圖像，且灰度圖像的所有像素攜帶有單導聯(lián)ECG 的相關信息，該方法在MIT-BIH 數(shù)據集上獲得了99.13%的分類準確率。為了提取單導聯(lián)ECG 圖像的空間局部性特征，Jun 等[21]使用2D-CNN 提取圖像（128×128）的空間局部性，再利用6 層的1D-CNN檢測8 種不同類型的心律失常，最終在MIT-BIH 數(shù)據庫上實現(xiàn)了99.05%的準確率和99.57%的特異度。Ullah 等[22]也以類似于Jun 等[21]的方式，通過短時傅里葉變換（short-time fourier transform，STFT）將一維單導聯(lián)ECG 轉換成二維圖像（256×256），并對其使用數(shù)據增強技術，最后在4 層2D-CNN 中實現(xiàn)心律失常檢測并獲得了99.11%的準確率。為了解決CNN 中全連接層需要固定輸入尺寸的限制，Li 等[23]在CNN 層和全連接層之間加入了空間金字塔池化（spatial pyramid pooling，SPP）層，SPP 層匯集了CNN 提取的特征并輸出長度固定的特征向量，再將這些特征輸送至全連接層，最終在單導聯(lián)ECG 上實現(xiàn)了94.00%的心律失常檢測準確率，但仍缺乏對異常心跳的定位。Tong等[24]考慮到個體心跳和整個心電段之間的相互影響，搭建出了一種多實例神經網絡（multi-instance neural network，MINN）模型。MINN 模型不但能對單導聯(lián)ECG 進行分類，還能對單導聯(lián)ECG 異常部分進行定位，并在定位異常心跳上實現(xiàn)了94.73%的敏感度。

可見，CNN 能夠有效地從單導聯(lián)ECG 信號中提取重要的時域和頻域特征，因而在檢測心律失常中得到廣泛應用。

1.2 深度殘差神經網絡（deep residual network，ResNet）

傳統(tǒng)的卷積層或全連接層在傳遞信息時存在信息丟失而使精度下降的問題。在保證訓練成本的同時，ResNet 通過引入殘差模塊，允許跳過1 個或多個卷積層，直接將輸入的信息與輸出的信息相加，從而傳遞了原始輸入的信息，有助于保護信息的完整性并提升模型的訓練精度。例如，Li 等[25]使用了31層ResNet 對心律失常進行檢測，并在單導聯(lián)ECG上獲得了99.06%的平均準確率。為了避免梯度消失并保留關鍵特征，沈堯等[26]在ResNet 中加入了用于增強CNN 性能的卷積注意力模塊（convolutional block attention module，CBAM），并將其與長短時記憶（long short-term memory，LSTM）結合形成L-ResNet模型，進而實現(xiàn)了不同類型的心律失常檢測。為了最大限度地提取單導聯(lián)ECG 的全局信息，潘輝[27]在ResNet 中將第一個傳統(tǒng)卷積改為空洞卷積（dilated convolution），以更有效地捕獲單導聯(lián)ECG 中的全局特征并將這些特征用于心律失常檢測，最后在MITBIH 數(shù)據庫上獲得了97.20%的準確率。為了提高心律失常檢測模型的泛化能力，Allam 等[28]設計了一個基于Stockwell 變換（Stockwell transform，ST）和由12個殘差路徑組成的二維殘差網絡（2D-ResNet）的特定心電圖心拍分類（specific ECG beat classification，SpEC）系統(tǒng)。其中，SpEC 系統(tǒng)利用基于ST 的時頻表示方法來區(qū)分不同心拍，并利用2D-ResNet 來克服數(shù)據不足和梯度退化問題。結果顯示，SpEC 系統(tǒng)在MIT-BIH 數(shù)據庫和該系統(tǒng)實時獲取的單導聯(lián)ECG數(shù)據庫上分別取得99.73%和89.87%的準確率。黃瑩[29]在深度殘差收縮網絡的基礎上引入了注意力機制（Attention）和軟閾值化結合的子網絡，從而搭建了一維改進的殘差收縮網絡（1D modified residual shrinkage network，1D-MRSN）模型，用于未去噪的單導聯(lián)ECG 心律失常檢測。最終，1D-MRSN 模型在MIT-BIH 數(shù)據庫上獲得了99.51%的準確率。

可見，ResNet 通過殘差鏈接的方式幫助網絡學習到更多的有效特征并且減少訓練中出現(xiàn)的退化問題，從而提高心律失常檢測性能。

1.3 循環(huán)神經網絡（recurrent neural network，RNN）

RNN 是一種具有記憶功能的神經網絡，適合處理單導聯(lián)ECG 這種前后關聯(lián)性強的時間序列信號。例如，Wang 等[30]提出了一種基于雙路徑遞歸神經網絡（dual-path recurrent neural network，DPRNN）的心律失常自動檢測方法。將整個單導聯(lián)ECG 作為該模型的輸入，再將單導聯(lián)ECG 分割成多個片段，然后對段內（局部）和段間（全局）2 個方面進行分析和建模，以提取更多的特征信息，最后在2017 年物理學/心臟病計算挑戰(zhàn)賽（The PhysioNet/Computing in Cardiology Challenge 2017，CinC 2017）提供的數(shù)據庫上能有效識別出房顫。

RNN 的變體也適用于心律失常檢測。LSTM 是一種在常規(guī)RNN 基礎上改進后的時序分析方法，具有克服長期依賴性的能力，可以解決RNN 梯度爆炸或梯度消失的問題，因而逐步成為目前最主流的時序信號處理網絡。例如，Singh 等[31]分別使用RNN、LSTM 和門控遞歸單元（gate recurrent unit，GRU）對MIT-BIH 數(shù)據庫的單導聯(lián)ECG 進行心律失常檢測，結果顯示LSTM 對心律失常檢測的準確度更高，說明LSTM 更適合用于單導聯(lián)ECG 時序信號的處理。Ashfaq-Khan 等[32]使用主成分分析對單導聯(lián)ECG 進行去噪，再使用LSTM 對心律失常進行檢測，最終在UCI ML Repository 數(shù)據庫[33]上實現(xiàn)了93.5%的檢測準確率。Pandey 等[34]使用了不同特征提取方法，包括小波變換、高階統(tǒng)計量、R-R 間隔和形態(tài)學描述等，再將這些特征進行組合并對其進行歸一化，然后將它們輸入LSTM 中實現(xiàn)心律失常的自動檢測，最后在MIT-BIH 數(shù)據庫上實現(xiàn)了99.37%的平均準確率。張異凡等[35]考慮到單導聯(lián)ECG 自身的特性，使用LSTM 和CNN 的并行組合模型，在心律失常檢測方面取得了99.11%的準確率。其中，LSTM 被應用于捕捉心電序列數(shù)據的時序依賴關系，CNN 則被用來提取單導聯(lián)ECG 的局部相關特征。陶亮等[36]將CNN 與LSTM 串聯(lián)起來，形成了CNN-LSTM 混合模型。該模型包括5 個卷積層、5 個池化層、1 個LSTM 層和1個全連接層，并將經過預處理的單導聯(lián)ECG 輸入其中，以實現(xiàn)5 種心律失常類別的高效、準確檢測。最終，CNN-LSTM 在MIT-BIH 數(shù)據庫上實現(xiàn)了99.48%的準確率、99.47%的敏感度和99.86%的特異度?？蔓惖萚37]提出一種結合深度卷積神經網絡和長短時記憶網絡多層概率融合的卷積長短時記憶網絡（convolutional long short term memory network，C-LSTM），并在單導聯(lián)ECG 上實現(xiàn)了99.23%的心律失常檢測準確率。LSTM 因具有長期記憶功能的特點，適合用于ECG 這種時序信號的檢測分析。

ECG 信號不僅僅與前一時刻有關，還與后一時段密不可分，使得雙向長短時記憶網絡（bidirectional long short-term memory，BiLSTM）比LSTM 更適用于ECG 信號檢測。例如，李興秀等[38]先是利用CNN 學習單導聯(lián)ECG 的形態(tài)特征，之后通過BiLSTM 獲取特征間的上下文依賴關系，最后在MIT-BIH 數(shù)據庫上運用Softmax 函數(shù)完成心律失常檢測任務并取得了99.11%的平均準確率。Yildirim 等[39]結合BiLSTM與小波序列（wavelet sequences，WS）對單導聯(lián)ECG信號進行分類，并在MIT-BIH 數(shù)據庫上獲得了99.39%的心律失常檢測準確率。然而，BiLSTM 中的隱藏單元數(shù)量和學習率是基于先驗知識預設的。Li 等[40]解決了這個問題，提出了基于貝葉斯優(yōu)化的BiLSTM 模型用于心律失常自動檢測。實驗結果顯示，相對于優(yōu)化前，面向單導聯(lián)ECG 分類的BiLSTM 模型在MIT-BIH數(shù)據庫上的準確率提升了0.86%，達到了99.00%，證明了貝葉斯優(yōu)化BiLSTM 是一種有效的方法，可以提高分類性能。葉興揚等[41]則運用基于ResNet 和BiLSTM 的融合模型對心律失常進行檢測，該融合模型使用了16 個殘差塊結構來提取和整合單導聯(lián)ECG信號的特征，并利用BiLSTM 來替換34 層ResNet 的最后一層卷積層后面的全連接層和輸出層，最終在CinC 2017 數(shù)據庫上得到了85.71%的平均F1值。秦默然等[42]增加了空洞卷積池化金字塔（atrous spatial pyramid pooling，ASPP）模塊，并進一步聚合各通道中不同尺寸的空洞卷積提取的信息，再將這些信息用于心律失常檢測，最終在CinC 2017 數(shù)據庫上取得了87.35%的F1值，也在醫(yī)院實測的單導聯(lián)ECG 數(shù)據庫上取得了88.98%的平均F1值。Shin 等[43]使用MobileNetV2-BiLSTM 算法和匹配追蹤算法進行心律失常檢測，并在MIT-BIH 數(shù)據庫上獲得了92.00%的準確率。其中，匹配追蹤算法可以在短時間內增加單導聯(lián)ECG 數(shù)據，以解決數(shù)據不平衡問題?？傊珺iLSTM 在LSTM 的基礎上增加了反向運算，可以更好地捕捉雙向語義信息，即單導聯(lián)ECG的前后信息均能被有效捕捉，進而提高心律失常的檢測特性。

1.4 生成對抗網絡（generative adversarial network，GAN）

GAN 是解決數(shù)據不平衡的重要模型，其在多個領域[44]中都可以合成高質量圖像，包括生成MRI 切片[45]、視網膜圖像[46]和胸部病理學數(shù)據[47]。GAN 至少由生成器G 和判別器D 組成，可用于合成心跳。而MIT-BIH 數(shù)據庫中各類的心律失常數(shù)據分布不平衡，大部分是正常心拍，而心室融合心跳（fusion of ventricuiar and normal beat，F(xiàn)VN）、心室逸搏（ventricular escape beat，VEB）和心室顫動波（ventricular flutter wave，VFW）等數(shù)據較少。因此，在進行相關研究時許多學者會對每個類別的數(shù)據進行平衡處理，以確保模型訓練和評估的準確性和可靠性。陳鵬等[48]將一維單導聯(lián)ECG 進行單個節(jié)拍分割后轉化成二維灰度圖像（192×128），再利用GAN-CNN 生成高質量的心拍圖像，以解決數(shù)據不平衡問題，并實現(xiàn)了8種心律失常的檢測。Shaker 等[49]使用GAN 合成高質量的單導聯(lián)ECG 數(shù)據，并提出了2 種基于CNN 的方法來實現(xiàn)15 種心律失常的檢測。其中，第一種方法（端到端方法）是由3 個inception 模塊和3 個全連接層構成的CNN 結構，直接將心跳分為15 種類型之一；第二種方法（兩階段分層法）先在第一階段確定心律失常的類別，然后在第二階段將其分類為屬于該類別的具體類型。最后，通過第一種方法實現(xiàn)了98.30%的總體準確率和90.0%的精確度，第二種方法的總體準確率為98.00%，精確度為93.95%。實驗證明，GAN 可以有效解決單導聯(lián)ECG 數(shù)據不平衡問題。

1.5 Transformer

Transformer 在處理長序列數(shù)據時會采用并行處理的方式，無需依次處理每個元素，使得其在長序列數(shù)據時有更高的效率。例如，Yan 等[50]提出了一種基于Transformer 的心律失常檢測方法?？紤]到單導聯(lián)ECG 沒有平移信號，所以該方法只使用了Transformer 編碼器部分，并將其中的dropout 層替換為批量歸一化。此外，為更好地捕獲單導聯(lián)ECG 中的節(jié)律特征，該研究將手工設計的時間特征與Transformer 學習到的特征進行融合。最終，在MIT-BIH 數(shù)據庫上取得了95.09%的精確度。Hu 等[51]提出了一種基于CNN和Transformer 的單導聯(lián)ECG 心律失常檢測算法。該算法將連續(xù)單導聯(lián)ECG 片段作為輸入，且設計了一個同時考慮位置與類別的損失函數(shù)和配對代價函數(shù)，在MIT-BIH 房顫數(shù)據庫上的準確率達到99.23%，在PTB-XL 數(shù)據庫上的準確率達到99.21%?？梢?，Transformer 在處理長序列的時序信號方面能夠得到心律失常檢測的高準確率。

在實際臨床環(huán)境中，除了準確的心律失常檢測外，結果的可解釋性也同樣重要。心臟專家除了提供診斷結果之外，還要有詳細的解釋來支撐自己的診斷結果[52]。羅望成等[53]提出一種基于CNN-BiLSTM和Attention 的可解釋性的模型來實現(xiàn)心律失常檢測。該模型由6 個卷積層、3 個最大池化層、1 個BiLSTM 層、2 個Attention 層和1 個全連接層組成，并在MIT-BIH數(shù)據庫上獲得了94.65%的準確率和98.69%的特異度。Li 等[54]結合單導聯(lián)ECG 信號的全局序列特征，構建了具有可解釋性的BiLSTM-Attention 模型用于心律失常檢測，實驗結果顯示該模型在MIT-BIH 數(shù)據庫上的檢測準確率可以達到99.49%。Lu 等[55]提出一種端到端的殘差注意力網絡（residual attention network，RA-NET）模型。該模型先是利用CNN 和殘差塊提取單導聯(lián)ECG 的局部特征，然后累加了5 個RA 進一步增強信號類別的相關特征并抑制冗余特征，最終在CinC 2017數(shù)據庫上獲得了89.55%的心律失常檢測敏感度。Zhao 等[56]提出了基于Attention 的時域卷積網絡（temporal convolutional networks，TCN）的心律失常檢測模型。該模型利用TCN 和Attention 分別提取單導聯(lián)ECG 的全局特征和局部特征，并采用Focal Loss 來克服數(shù)據不平衡問題，最后在MIT-BIH數(shù)據庫上得到的準確率為99.84%。

深度學習在以單導聯(lián)ECG 為研究對象的心律失常檢測中已經取得了超過99%的準確率，這使得其在日常監(jiān)測自身心臟狀態(tài)更具實用性。然而，與12 導聯(lián)ECG 相比，單導聯(lián)ECG 包含的特征信息相對較少。在臨床檢測中，12 導聯(lián)ECG 包含的特征與特定類型的心律失常密切相關，因此12 導聯(lián)ECG有利于臨床心律失常的檢測。

2 深度學習在12 導聯(lián)ECG 心律失常檢測中的應用

ECG 信號雖然容易采集且操作簡單，但與單導聯(lián)相比，12 導聯(lián)ECG 包含的特征更為豐富，可挖掘出更多有價值的信息，提取出更多有效特征用于檢測，進而對9 種類型（見表1）的心律失常進行更精確的檢測。其中，完整的12 導聯(lián)ECG 通常來自6 個肢體導聯(lián)（Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF）和6 個胸導聯(lián)（V1、V2、V3、V4、V5、V6）。不同導聯(lián)的ECG 信號表現(xiàn)出不同的特征，這些特征與特定類型的心律失常相關。因此，實現(xiàn)對完整的12 導聯(lián)ECG 自動檢測在臨床醫(yī)學中越來越重要，而深度學習能夠以其優(yōu)勢輔助實現(xiàn)臨床心律失常檢測。

表1 9 種心律失常類別

2.1 靜態(tài)12 導聯(lián)ECG

靜態(tài)12 導聯(lián)ECG 是一種可用于全面檢測心臟的電活動。He 等[57]提出了一種ResNet 與BiLSTM 相結合的模型，進而實現(xiàn)對靜態(tài)12 導聯(lián)ECG 心律失常的檢測。其中，靜態(tài)12 導聯(lián)ECG 信號長短不一，不利于模型的訓練，故對靜態(tài)的每個導聯(lián)ECG 進行處理以解決此問題。具體的處理方式為，以ECG 長度30 s 為基準，若ECG 信號長度不足30 s，則在ECG的前端補零至30 s 的長度；若ECG 信號的長度超過30 s，則截至30 s。該模型在2018 年舉辦的中國生理信號挑戰(zhàn)賽（China Physiological Signal Challenge 2018，CPSC 2018）的數(shù)據庫上進行心律失常檢測，獲得了0.836 的F1值。然而，靜態(tài)12 導聯(lián)ECG 上各導聯(lián)所具有的特征信息并不一致，為了最大限度地提取靜態(tài)12 導聯(lián)ECG 特征信息，Ye 等[58]則將每個導聯(lián)ECG分割成10 段6 s 的ECG 片段，再輸送至由12 個CNN和BiLSTM 組成的分支網絡中進行特征提取，然后將這些特征進行融合，最后在極限梯度提升樹（extreme gradient boosting，XGBoost）分類器中完成心律失常檢測并獲得了0.828 的F1值。Zhang 等[59]提出一種多導聯(lián)分支融合網絡，用于心律失常的高效檢測，最終在CPSC 2018 數(shù)據庫上獲得0.855 的F1值。其中，該融合網絡包括12 個由CNN、雙向門控遞歸單元（bidirectional gate recurrent unit，BiGRU）和Attention 組成的分支網絡，可學習靜態(tài)12 導聯(lián)ECG 多樣性特征。Wang 等[60]搭建了一種用于12 導聯(lián)ECG 心律失常檢測的深度多尺度融合神經網絡（deep multi-scale fusion convolutional neural network，DMSFNet）模型。DMSFNet 通過集成不同接收域的多個卷積核來實現(xiàn)不同大小的信號段的特征提取，且設計了多個不同尺度損失的聯(lián)合優(yōu)化策略，在學習過程中，不僅學習尺度特征，還實現(xiàn)了多尺度互補特征的累積過程。實驗結果表明，DMSFNet 在CPSC 2018 數(shù)據庫上取得了0.828 的F1值，但在訓練階段獨立提取每個導聯(lián)的內部特征時沒有考慮到不同導聯(lián)之間的相關性。Li 等[61]針對此問題，搭建了一種基于二維ECG 信號和分離擠壓模塊的ResNet（ResNet with detached squeeze-and-excitation modules，DSE-ResNet）模型，將原始的靜態(tài)12 導聯(lián)ECG 合并到一個二維空間中，使得DSE-ResNet 能夠同時提取靜態(tài)12 導聯(lián)ECG的內部特征和導聯(lián)間的相關性特征，在未公開的CPSC 2018 的測試集上進行心律失常檢測并獲得了0.817 的F1值。以上結果表明靜態(tài)12 導聯(lián)ECG 經過不同預處理、特征提取和分類的操作，能得到較好的心律失常檢測結果。

2.2 動態(tài)12 導聯(lián)ECG

隨著時間和心臟節(jié)律的變化，ECG 信號也隨之發(fā)生變化，動態(tài)ECG 信號中包含更多形態(tài)節(jié)律，可為心律失常檢測提供更豐富的信息，更貼近臨床實踐。Dong 等[62]搭建了多分支信號融合網絡（multibranch signal fusion network，MBSF-Net）用于心律失常檢測。其中，MBSF-Net 通過深度可分離卷積和多重卷積濾波器可有效提取動態(tài)12 導聯(lián)ECG 中各導聯(lián)的特征，并引入SPP 層使得輸入的ECG 長度變得更加靈活，從而實現(xiàn)對動態(tài)12 導聯(lián)ECG 的自動分類，并在CPSC 2018 數(shù)據庫上獲得了0.838 的F1值。Yao 等[63]考慮到動態(tài)12 導聯(lián)ECG 信號的時間特性，提出了基于注意力的時間增量卷積神經網絡（attention-based time-incremental convolutional neural network，ATI-CNN）模型，以實現(xiàn)動態(tài)12 導聯(lián)ECG 的時間特征和空間特征融合，并用于心律失常檢測。ATICNN 由全卷積網絡（fullyconvolutionalnetworks，F(xiàn)CN）、2 個LSTM 層和Attention 組成。其中，F(xiàn)CN 為輸入數(shù)據的長度提供了靈活性，最終在CPSC 2018 數(shù)據庫上獲得了0.812 的F1值。

3 討論

從深度學習在單導聯(lián)和多導聯(lián)ECG 心律失常檢測方面的應用（見表2、3）可以看出許多學者根據ECG 的特性，利用深度學習技術在心律失常檢測中取得一定的研究成果，但仍存在一些問題制約著計算機輔助心律失常檢測的發(fā)展，具體如下：

表2 MIT-BIH 數(shù)據庫上現(xiàn)有單導聯(lián)ECG 分類方法對應檢測性能比較

表3 本文提到的12 導聯(lián)ECG 在心律失常檢測中的F1 值比較

（1）泛化能力差。不同方面的研究在不同的數(shù)據庫進行，導聯(lián)數(shù)、持續(xù)時間和采樣參數(shù)各有差異，難以公平地比較。盡管本文提到的深度學習在心律失常檢測上均能達到較高的準確率，但由于ECG 數(shù)據的異質性和樣本間的差異，一些模型可能在新的數(shù)據集上的泛化能力較差，尤其是在醫(yī)療機構的臨床數(shù)據上表現(xiàn)不佳。因此，可以考慮如何利用遷移學習的方式來處理和解決實際臨床ECG 數(shù)據問題，將心律失常檢測模型真正應用于臨床實踐。

（2）可解釋性差。無論對于單導聯(lián)ECG 還是多導聯(lián)ECG，深度學習均可在心律失常檢測中取得較高的準確率，但深度學習的“黑盒”性使其難以解釋決策的具體原因。在臨床實踐中，醫(yī)生需要了解深度學習算法的決策依據，才能做出正確的診斷。因此，可以考慮利用醫(yī)生或專家的先驗知識，將其作為先驗分布或約束，幫助改進深度學習算法的設計，進而提高模型的準確率和可解釋性。

（3）時間復雜度大，耗時較長。尤其是12 導聯(lián)ECG 心律失常檢測中的深度學習方法。深度學習無法在訓練之后通過局部調整來修改學習效果，必須通過重新訓練得到結果。針對心律失常檢測的特點，可以優(yōu)化網絡結構和損失函數(shù)等設計，也可以利用并行計算的技術，進而縮短訓練時間，從而有助于提高模型的效率和穩(wěn)定性。

除此之外，專家在手動標記過程中可能會出現(xiàn)錯誤，還應考慮到標簽問題，故無監(jiān)督或弱監(jiān)督學習也將會是研究熱點。隨著更多的科研人員加入深入學習的隊伍中，未來在提高模型的泛化能力、增強模型可解釋性和降低時間成本等方面定會取得更優(yōu)異的成果，也一定會有一種健全的心律失常檢測算法可以滿足更廣泛和更高效的臨床實踐需求，進而大大減輕醫(yī)生負擔，降低誤診率，提高診斷效率。

4 結語

心律失常是一種常見的心血管疾病，嚴重的話可能會危及生命。隨著人們生活方式的改變和壓力的增加，心律失常患者的數(shù)量逐漸增多。因此，對于心律失常的早期檢測和診斷尤為重要。目前，隨著醫(yī)療技術的不斷進步，心律失常檢測技術也在不斷完善。盡管深度學習在ECG 心律失常檢測準確率方面優(yōu)勢顯著，但仍面臨著一些挑戰(zhàn)和問題。未來，在大數(shù)據時代的引領下，隨著各自算法的不斷迭代與更新、數(shù)據集的增加以及硬件設備性能的提升，深度學習在ECG 心律失常檢測領域中會有更廣闊的應用前景。