摘 要：心律失常作為心臟電活動(dòng)異常的表現(xiàn)，其重要性不容忽視。為了確保心律失常的準(zhǔn)確診斷和及時(shí)治療，避免患者因心跳異常而面臨生命威脅，提出了一種基于深度學(xué)習(xí)的心律失常分類檢測(cè)系統(tǒng)方法。該方法基于MIT-BIH數(shù)據(jù)集，結(jié)合多種深度學(xué)習(xí)模型，以一維原始信號(hào)為主要輸入維度進(jìn)行心律失常分類檢測(cè)研究。實(shí)驗(yàn)結(jié)果表明，深度學(xué)習(xí)在心律失常檢測(cè)中表現(xiàn)出較高的準(zhǔn)確性和魯棒性，尤其在一維原始信號(hào)分類方面效果顯著。因此，優(yōu)先采用基于一維原始信號(hào)的深度學(xué)習(xí)算法，有助于推動(dòng)自動(dòng)化心律失常檢測(cè)系統(tǒng)的開(kāi)發(fā)與應(yīng)用，從而提升診斷效率和醫(yī)療服務(wù)質(zhì)量。

關(guān)鍵詞：深度學(xué)習(xí)；ECG；心律失常；一維原始信號(hào)；分類檢測(cè)；MIT-BIH

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）08-0-04

0 引 言

隨著醫(yī)學(xué)科技的迅速發(fā)展，心血管疾病已成為全球范圍內(nèi)導(dǎo)致人類死亡的主要原因之一。心律失常作為心臟電活動(dòng)異常的典型表現(xiàn)，不僅影響患者的生活質(zhì)量，在某些情況下甚至可能直接威脅患者的生命安全。因此，對(duì)心律失常進(jìn)行準(zhǔn)確、及時(shí)的診斷與治療，對(duì)于保障患者健康至關(guān)重要。傳統(tǒng)的心律失常診斷方法主要依賴于醫(yī)生對(duì)心電圖（ECG）信號(hào)的解讀和分析，然而這種方法存在主觀性強(qiáng)、效率低下等問(wèn)題，且對(duì)復(fù)雜心律失常類型的診斷準(zhǔn)確率往往難以保證。

近年來(lái)，深度學(xué)習(xí)技術(shù)的興起為心律失常分類檢測(cè)提供了新的解決方案。深度學(xué)習(xí)憑借其強(qiáng)大的特征學(xué)習(xí)和數(shù)據(jù)建模能力，能夠從復(fù)雜的醫(yī)學(xué)數(shù)據(jù)中提取有用信息，從而實(shí)現(xiàn)心律失常的準(zhǔn)確分類。目前，已有不少研究者嘗試?yán)蒙疃葘W(xué)習(xí)技術(shù)進(jìn)行心律失常分類和診斷，并取得了一些良好的研究成果。

盡管深度學(xué)習(xí)在心律失常分類和診斷中取得了顯著進(jìn)展，但仍面臨一些挑戰(zhàn)。一方面，其“黑盒”特性降低了醫(yī)生的信任度；另一方面，數(shù)據(jù)不平衡和樣本量不足可能導(dǎo)致模型過(guò)擬合或欠擬合，影響診斷的準(zhǔn)確性和泛化能力。未來(lái)的研究需要克服這些挑戰(zhàn)，以提升深度學(xué)習(xí)在心律失常診斷中的實(shí)用性。

為解決上述問(wèn)題，本文旨在探索基于深度學(xué)習(xí)的心律失常分類檢測(cè)方法，并通過(guò)實(shí)驗(yàn)驗(yàn)證其有效性和魯棒性?；贛IT-BIH數(shù)據(jù)集，結(jié)合多種深度學(xué)習(xí)模型，從一維原始信號(hào)維度對(duì)心律失常進(jìn)行分類檢測(cè)研究。通過(guò)對(duì)一維原始ECG信號(hào)的分析，發(fā)現(xiàn)基于一維原始信號(hào)的深度學(xué)習(xí)算法在心律失常檢測(cè)中表現(xiàn)優(yōu)異，分類效果顯著[1]。

本文的研究不僅為心律失常分類檢測(cè)提供了新的技術(shù)路線，還為推動(dòng)自動(dòng)化心律失常檢測(cè)系統(tǒng)的開(kāi)發(fā)與應(yīng)用提供了理論支持和實(shí)踐指導(dǎo)。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展和完善，其在心律失常檢測(cè)領(lǐng)域的應(yīng)用將會(huì)越來(lái)越廣泛，為心血管疾病的診斷和治療帶來(lái)革命性變革。

1 一維主要模型

1.1 一維主要模型的算法與原理

在一維模型算法中，主要采用了CNN_BiLSTM_Attention、GRU和一維CNN，其中CNN_BiLSTM_Attention表現(xiàn)尤為突出。該模型集成了CNN、BiLSTM和Attention機(jī)制，專門(mén)用于處理一維時(shí)間序列數(shù)據(jù)。這種混合模型在心電圖分析、生物信號(hào)識(shí)別等領(lǐng)域，均展現(xiàn)出了強(qiáng)大的性能。

CNN_BiLSTM_Attention是由CNN、BiLSTM、Attention機(jī)制和softmax組成的混合網(wǎng)絡(luò)，其模型結(jié)構(gòu)如圖1所示。

門(mén)控循環(huán)單元（Gate Recurrent Unit， GRU）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)[1]，它通過(guò)兩個(gè)“門(mén)”來(lái)控制信息的流動(dòng)：重置門(mén)決定遺忘多少過(guò)去的信息，更新門(mén)決定保留多少新的信息。GRU的設(shè)計(jì)旨在解決反向傳播中的梯度消失和長(zhǎng)期依賴問(wèn)題[2]。

在實(shí)驗(yàn)中，分別采用ReLU和Mish作為激活函數(shù)，測(cè)試在同一個(gè)模型（如CNN_BiLSTM_Attention）中，僅將ReLU激活函數(shù)替換為Mish激活函數(shù)后的訓(xùn)練效果差異。Mish激活函數(shù)作為ReLU的替代，旨在提供更強(qiáng)的非線性特性和優(yōu)化梯度流動(dòng)，其優(yōu)勢(shì)在于其獨(dú)特的函數(shù)形式[3]。與ReLU的簡(jiǎn)單截?cái)嗖煌?，在神?jīng)網(wǎng)絡(luò)中，ReLU激活函數(shù)通過(guò)輸出max（0，WTX+b）定義神經(jīng)元在線性變換后的非線性輸出，并將其傳遞至下一層或作為最終輸出，具體取決于其在網(wǎng)絡(luò)中的位置。

1.2 數(shù)據(jù)集制作和一維度模型的訓(xùn)練

采用來(lái)自MIT-BIH心律失常數(shù)據(jù)庫(kù)[2]的真實(shí)數(shù)據(jù)，主要使用改良的肢體導(dǎo)聯(lián)II （MLII）通道和矯正導(dǎo)聯(lián)通道（V5）作為信號(hào)數(shù)據(jù)。

（1）一維數(shù)據(jù)標(biāo)準(zhǔn)化：采用Z-Score標(biāo)準(zhǔn)化方法統(tǒng)一數(shù)據(jù)尺度，將數(shù)據(jù)轉(zhuǎn)換為標(biāo)準(zhǔn)正態(tài)分布，以提高模型訓(xùn)練和預(yù)測(cè)性能。該方法有助于減少冗余、增強(qiáng)魯棒性，并降低異常值的影響，在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘中被廣泛應(yīng)用。

（2）K折交叉驗(yàn)證：采用StratifiedKFold交叉驗(yàn)證方法，確保各子集的類別比例與原始數(shù)據(jù)一致，從而減少數(shù)據(jù)不平衡對(duì)模型精度的影響。

（3）優(yōu)化器與損失函數(shù)選擇：使用Adam優(yōu)化器進(jìn)行模型訓(xùn)練，以確保公平比較不同模型的性能，避免因優(yōu)化器差異帶來(lái)的影響。為統(tǒng)一評(píng)估標(biāo)準(zhǔn)，所有模型均采用binary_crossentropy損失函數(shù)。該損失函數(shù)簡(jiǎn)單易用、計(jì)算成本低，且能有效處理類別不平衡問(wèn)題。在本項(xiàng)目中，所有標(biāo)簽經(jīng)過(guò)one-hot編碼后輸入模型，最終解碼為常量標(biāo)簽。

（4）模型評(píng)分標(biāo)準(zhǔn)：在機(jī)器學(xué)習(xí)分類任務(wù)中，模型評(píng)估需綜合考慮多個(gè)指標(biāo)，包括精確率（precision）、召回率（recall）和F1分?jǐn)?shù)。精確率用于衡量模型預(yù)測(cè)為正樣本中真正為正樣本的比例，召回率則評(píng)估所有真正為正樣本中被模型正確預(yù)測(cè)為正的比例[4]。F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均數(shù)，綜合衡量了兩者的性能[5]。這些指標(biāo)的計(jì)算公式用于量化模型性能。

2 一維原始信號(hào)模型實(shí)驗(yàn)結(jié)果分析

（1）1DCNN與1DCNN（Mish）：在對(duì)比一維CNN模型的不同激活函數(shù)時(shí)，Mish比ReLU平均精確率高0.03%，且標(biāo)準(zhǔn)差更小，表現(xiàn)更穩(wěn)定，見(jiàn)表1、表2。然而，在平均損失和最優(yōu)模型精確率方面，ReLU表現(xiàn)更佳。選擇時(shí)需權(quán)衡不同指標(biāo)。

（2）BiLSTM與BiLSTM（Mish）：使用Mish激活函數(shù)的BiLSTM模型在精確率上表現(xiàn)更佳，但相較于ReLU激活函數(shù)，其性能波動(dòng)更大且平均損失較大，見(jiàn)表3、表4。

（3）GRU與GRU（Mish）：對(duì)比使用Mish和ReLU激活函數(shù)的GRU模型，盡管Mish在最優(yōu)和平均精確率上表現(xiàn)更佳，但其精確率的穩(wěn)定性和平均損失表現(xiàn)卻不及ReLU，見(jiàn)表5、表6。

（4）MLP與MLP（Mish）：對(duì)比MLP模型的訓(xùn)練效果，使用Mish激活函數(shù)的模型僅在精確率上略優(yōu)于使用ReLU激活函數(shù)的模型，但在其他方面均不及后者，見(jiàn)表7、表8。

（5）CNN_BiLSTM_Attention與CNN_BiLSTM_Attention（Mish）：使用Mish激活函數(shù)的CNN_BiLSTM_Attention模型在訓(xùn)練效果上顯著優(yōu)于使用ReLU的版本，表現(xiàn)在更高的平均精確率、更小的平均損失以及更優(yōu)的最優(yōu)模型精確率上，見(jiàn)表9、表10。

Mish激活函數(shù)的一維卷積神經(jīng)網(wǎng)絡(luò)平均精確率最高，但ReLU激活函數(shù)的模型在最優(yōu)測(cè)試下精確率最高。ReLU模型在精確率和召回率上各有4個(gè)標(biāo)簽表現(xiàn)最佳，而Mish模型在精確率和召回率上各有3個(gè)標(biāo)簽領(lǐng)先。在F1分?jǐn)?shù)上，兩者各有4個(gè)標(biāo)簽達(dá)到最高值。

3 結(jié) 語(yǔ)

本文結(jié)合深度學(xué)習(xí)和人工智能的先進(jìn)技術(shù)，探索了一種心律失常分類檢測(cè)方法。該方法利用一維模型算法，如CNN_BiLSTM_Attention和GRU，結(jié)合MIT-BIH數(shù)據(jù)集對(duì)心律失常進(jìn)行分類檢測(cè)。實(shí)驗(yàn)結(jié)果表明，基于一維原始ECG信號(hào)的深度學(xué)習(xí)算法在心律失常分類檢測(cè)中表現(xiàn)優(yōu)異，特別是CNN_BiLSTM_Attention模型通過(guò)融合CNN、BiLSTM和Attention機(jī)制，能夠高效提取復(fù)雜心電圖信號(hào)中的特征并實(shí)現(xiàn)精準(zhǔn)分類。此外，還對(duì)比了ReLU和Mish激活函數(shù)對(duì)模型性能的影響，為進(jìn)一步優(yōu)化模型提供了實(shí)驗(yàn)依據(jù)。實(shí)驗(yàn)結(jié)果驗(yàn)證了深度學(xué)習(xí)在心律失常分類檢測(cè)中的有效性，并為開(kāi)發(fā)自動(dòng)化心律失常檢測(cè)系統(tǒng)提供了理論支持和實(shí)踐指導(dǎo)[7-9]。

本文提出的基于深度學(xué)習(xí)的心律失常分類檢測(cè)方法具有廣闊的研究前景和應(yīng)用價(jià)值，未來(lái)有望進(jìn)一步優(yōu)化。例如，可以通過(guò)引入更多樣化的數(shù)據(jù)集來(lái)提升模型的泛化能力，或結(jié)合多模態(tài)融合技術(shù)以提高檢測(cè)的準(zhǔn)確性和全面性。此外，本研究還可擴(kuò)展至患者風(fēng)險(xiǎn)監(jiān)測(cè)與預(yù)測(cè)等領(lǐng)域，從而推動(dòng)心律失常分類檢測(cè)技術(shù)的革新，并為自動(dòng)化心律失常檢測(cè)系統(tǒng)的開(kāi)發(fā)與應(yīng)用提供更堅(jiān)實(shí)的理論支持和實(shí)踐指導(dǎo)[10]。

參考文獻(xiàn)

[1]李克文，杜蓯聰，黃宗超，等. CBiA-PSL抽油井異常工況預(yù)警模型[J].智能系統(tǒng)學(xué)報(bào)，2022，17（2）：295-302.

[2]孫瑨一. QoS數(shù)據(jù)驅(qū)動(dòng)的Web服務(wù)發(fā)現(xiàn)方法研究[J].科學(xué)技術(shù)創(chuàng)新，2021（5）：72-73.

[3]田有文，吳偉，林磊，等.基于深度學(xué)習(xí)與高光譜成像的藍(lán)莓果蠅蟲(chóng)害無(wú)損檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（1）：393-401.

[4]高月明，林清華，柳樹(shù)票，等.雨量異常數(shù)據(jù)的空間維度分析與甄別[J].人民珠江，2022，43（12）：97-103.

[5]王晨，袁慶霓，白歡，等.面向倉(cāng)儲(chǔ)貨物的輕量化目標(biāo)檢測(cè)算法[J].激光與光電子學(xué)進(jìn)展，2022，59（24）：74-80.

[6]張一博，茹禹然，趙文呂，等.基于組合模型的車模識(shí)別算法研究[J].電腦知識(shí)與技術(shù)，2021，17（28）：15-19.

[7]張淼，陳宏濤.基于Di-LSTM算法的注意力缺陷多動(dòng)障礙癥分類[J].電子設(shè)計(jì)工程，2022，30（4）：52-57.

[8]王園.基于多頭自注意力機(jī)制的心律失常分類深度學(xué)習(xí)模型[D].武漢：華中科技大學(xué)，2022.

[9]張逸，周莉，陳杰.基于深度學(xué)習(xí)的心電圖心律失常分類方法[J].電子設(shè)計(jì)工程，2022，30（7）：6-9.

[10]張逸，周莉，陳杰.基于知識(shí)蒸餾的心律失常分類模型[J].電子設(shè)計(jì)工程，2022，30（8）：21-25.