中國科學(xué)院深圳先進(jìn)技術(shù)研究院生物醫(yī)學(xué)信息技術(shù)研究中心李燁團(tuán)隊(duì)在多類心律失常疾病檢測方面的研究取得進(jìn)展。相應(yīng)成果為“Yao QH, Wang RX, Fan XM, et al. Multi-class arrhythmia detection from 12-lead varied-length ECG using attention-based time-incremental convolutional neural network [J]. Information Fusion, 2020, 53: 174-182(基于時(shí)空注意力神經(jīng)網(wǎng)絡(luò)的多類心律失常檢測方法)”。

體征數(shù)據(jù)分析的準(zhǔn)確性與計(jì)算效率是提升可穿戴系統(tǒng)應(yīng)用效果的保障。然而，體征數(shù)據(jù)具有高冗余、低價(jià)值密度的特性，同時(shí)由于心電等可穿戴生理信號易受環(huán)境、人體行為等噪聲干擾，且心血管疾病發(fā)作存在陣發(fā)/偶發(fā)性的特點(diǎn)，對其有效量化分析是可穿戴系統(tǒng)面臨的重要挑戰(zhàn)。

該研究提出一種基于時(shí)空特征融合的深度網(wǎng)絡(luò)架構(gòu)。其中，在空間處理層面，通過構(gòu)建多通道空間卷積單元，有效提取不同體表位置采集的多導(dǎo)聯(lián)心電信號特征，實(shí)現(xiàn)了多導(dǎo)聯(lián)信號的有效特征提取與信息互補(bǔ)；在時(shí)間處理層面，利用長短時(shí)循環(huán)記憶網(wǎng)絡(luò)對每一時(shí)段的生理信號進(jìn)行多尺度特征提取，并聯(lián)合前一時(shí)段特征通過門限控制進(jìn)行時(shí)序特征整合。同時(shí)在上述時(shí)空融合網(wǎng)絡(luò)架構(gòu)中引入注意力機(jī)制，對信號不同節(jié)律模式重要性進(jìn)行自適應(yīng)感知，獲得了更多所需要關(guān)注的陣發(fā)/偶發(fā)性異常狀態(tài)的細(xì)節(jié)信息。

基于上述研究成果實(shí)現(xiàn)了以房顫、早搏、傳導(dǎo)阻滯等為代表的 9 類心律失常疾病在日常生活場景中的有效判別，基于動態(tài)心電圖信號，多任務(wù)心律失常識別精度達(dá)到 82.6%，處于世界先進(jìn)水平。

通過醫(yī)療級可穿戴設(shè)備以及基于人工智能的高精度心血管疾病智能診斷方法對急性心血管事件的醫(yī)院外早發(fā)現(xiàn)、早預(yù)警具有十分重要的意義和推廣價(jià)值。

基于注意力時(shí)空卷積神經(jīng)網(wǎng)絡(luò)的多類心律失常疾病檢測