深度学习在心律失常检测中的应用综述.pdf

窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024深度学习在心律失常检测中的应用综述黄丽，蔡定建，凌世康，欧阳昊，李嘉*（五邑大学智能制造学部，广东江门529020）摘要综述了深度学习在单导联和多导联心电图（electrocardiograph，ECG）心律失常检测中的应用现状，分析了深度学习在心律失常检测应用中存在泛化能力差、可解释性差、时间复杂度大等问题，并提出了解决方案。指出了随着算法的不断迭代与更新、数据集的增加以及硬件设备性能的提升，深度学习在ECG心律失常检测中的应用前景更加广阔。关键词深度学习；心律失常；单导联ECG；多导联ECG中国图书资料分类号R318曰R319文献标志码A文章编号1003-8868渊2024冤02-0105-08DOI院10.19745/j.1003-8868.2024038Review of deep learning for arrhythmia detectionHUANG Li,CAI Ding-jian,LING Shi-kang,OUYANG Hao,LI Jia*(Faculty of Intelligent Manufacturing,Wuyi University,Jiangmen 529020,Guangdong Province,China)AbstractThe current situation of deep learning applied to single-and multi-lead ECG detection of arrhythmia was reviewed.The problems of deep learning during the application in generalization,interpretability and time complexity were analyzed,and the countermeasures were put forward accordingly.Its pointed out deep learning would be applied widely in arrhythmiaECG detection with the development of the algorithm,dataset and hardware.悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造袁2024袁45渊2冤院105-112Key wordsdeep learning;arrhythmia;single-lead ECG;multi-lead ECG0引言每年死于心血管疾病（cardiovascular disease，CVD）的患者多于任何其他疾病1。鉴于CVD的高流行率、高发病率和高治疗成本，及早就诊有助于早期诊断和治疗，从而减轻症状并避免并发症的发生。心率为心脏每分钟跳动的次数，成年人的正常心率为60100次/min，不在该范围内则称为心律失常，也称为不规则心跳2。CVD的发病初期通常伴随着心律失常，严重的心律失常可能会增加发生其他CVD的风险，例如心肌梗死、心肌病和心肌炎等。心电图（electrocardiograph，ECG）具有非侵入性、操作简单且无害等特点，刻画了心脏在每个心动周期内产生的电活动变化波形，是一种临床检测心律失常的常规手段。全球每年采集的ECG信号超过3亿条，这充分说明了其临床实践中的重要性3。基于ECG的心律失常检测工作量大，易导致效率低和误诊，因此随着智慧医疗的兴起，自动检测心律失常的重要性逐渐凸显。深度学习是机器学习的一个重要子集，具备强大的特征提取和数据处理能力。近年来，越来越多的研究人员将深度学习应用于医学领域4，例如医学图像处理5、基因组分析6、电子健康记录分析7和生理信号分析8等方面，都取得了良好的效果。相比于机器学习，深度学习可以辅助医生更高效地进行心律失常临床检测，搭载深度学习模型的可穿戴设备也可以给普通人提供日常的检测。已有学者对机器学习在心律失常检测领域的最新研究成果进行了归纳和分析，如文献9阐述了机器学习在ECG自动诊断方面的应用，文献10从CVD的角度分析了深度学习在ECG自动诊断方面的研究过程，文献11总结了深度学习在心电诊断方面的研究现状。上述文献均是从技术层面对现有方法进行了总结，并未仔细划分具体的研究对象，如哪些方法是以单导联ECG作为研究对象，哪些是将12导联ECG作为研究对象。因此，本文从不同的研究对象出发，阐述深度学习在心律失常检测方面的应用现状，并对现有检测方法存在的问题进行分析和提出解决方案，以便为该领域的研究者提供更有针对性的检测性能优化思路。同时，本文也可为未来心律检测手段走向智能化、多样化提供理论参考。1深度学习在单导联ECG心律失常检测中的应用单导联ECG可用于初步检测心律失常，包括早搏、房颤等各种心律不齐。此外，它也适用术后随访场景。结合深度学习技术，单导联ECG不仅可提供心电监测，还可以作为心律失常的初筛工具，同时提供心脏疾病的早期预警。这种方法有助于早发现、早基金项目院江门市科技计划项目（2023JC01005）作者简介院黄丽（1999），女，硕士研究生，研究方向为人工智能医疗，E-mail：L。通信作者院李嘉，E-mail：General Review综述黄丽，蔡定建，凌世康，等.深度学习在心律失常检测中的应用综述J.医疗卫生装备，2024，45（2）：105-112.105 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024治疗和早控制心脏疾病。1.1卷积神经网络渊convolutional neural network袁CNN冤CNN因其强大的特征提取能力，在图像和声音识别等领域中有较好的应用，适用于单导联ECG的特征提取。例如，Rajpurkar等12构建了一种34层CNN模型，并利用该模型在29 163名患者中收集到的64 121条单导联ECG记录进行心律失常检测，最后获得的精确度和敏感度分别达到80%和78.4%。Acharya等13搭建了9层CNN模型，采用美国麻省理工学院与贝斯以色列医院（Massachusetts Instituteof Technology-Beth Israel Hospital，MIT-BIH）心律失常数据库14分别对未去噪和去噪的单导联ECG进行了心律失常检测。结果显示，9层CNN模型在未去噪和去噪后的单导联ECG上分别得到了94.03%和93.47%的准确率。Wang等15在其研究中提出了一个改进的7层CNN结构，通过不同大小的卷积核和最大池化层，实现了对单导联ECG心律失常的自动检测，最终在MIT-BIH数据库上的准确率达到了99.06%，但并未克服数据库中类别不平衡的问题。Romdhane等16利用焦点损失函数17（Focal Loss）解决单导联ECG类别不平衡的问题，再使用由2个卷积块组成的CNN模型完成心律失常检测，其中每个卷积块由3个卷积层组成。最终，在MIT-BIH数据库上获得了98.41%的准确率。由于单导联ECG信号是一维的数据，因此研究者们构建了1-D CNN用于心律失常的检测。Kiranyaz等18构建了一种自适应1-D CNN模型，先对每个患者的原始单导联ECG进行特征提取，再对室性异位搏动和室上性异位搏动的心律失常类别进行检测。Yildirim等19使用了16层1D-CNN对未经过预处理的10 s单导联ECG进行心律失常检测，最终检测13、15、17种心律失常类别的准确率分别为95.20%、92.51%和91.33%。de Santana等20则使用2D-CNN的方法检测17种心律失常，该方法主要是使用15伊15像素的灰度图像，且灰度图像的所有像素携带有单导联ECG的相关信息，该方法在MIT-BIH数据集上获得了99.13%的分类准确率。为了提取单导联ECG图像的空间局部性特征，Jun等21使用2D-CNN提取图像（128伊128）的空间局部性，再利用6层的1D-CNN检测8种不同类型的心律失常，最终在MIT-BIH数据库上实现了99.05%的准确率和99.57%的特异度。Ullah等22也以类似于Jun等21的方式，通过短时傅里叶变换（short-timefouriertransform，STFT）将一维单导联ECG转换成二维图像（256伊256），并对其使用数据增强技术，最后在4层2D-CNN中实现心律失常检测并获得了99.11%的准确率。为了解决CNN中全连接层需要固定输入尺寸的限制，Li等23在CNN层和全连接层之间加入了空间金字塔池化（spatial pyra-mid pooling，SPP）层，SPP层汇集了CNN提取的特征并输出长度固定的特征向量，再将这些特征输送至全连接层，最终在单导联ECG上实现了94.00%的心律失常检测准确率，但仍缺乏对异常心跳的定位。Tong等24考虑到个体心跳和整个心电段之间的相互影响，搭建出了一种多实例神经网络（multi-instance neuralnetwork，MINN）模型。MINN模型不但能对单导联ECG进行分类，还能对单导联ECG异常部分进行定位，并在定位异常心跳上实现了94.73%的敏感度。可见，CNN能够有效地从单导联ECG信号中提取重要的时域和频域特征，因而在检测心律失常中得到广泛应用。1.2深度残差神经网络渊deep residual network袁ResNet冤传统的卷积层或全连接层在传递信息时存在信息丢失而使精度下降的问题。在保证训练成本的同时，ResNet通过引入残差模块，允许跳过1个或多个卷积层，直接将输入的信息与输出的信息相加，从而传递了原始输入的信息，有助于保护信息的完整性并提升模型的训练精度。例如，Li等25使用了31层ResNet对心律失常进行检测，并在单导联ECG上获得了99.06%的平均准确率。为了避免梯度消失并保留关键特征，沈尧等26在ResNet中加入了用于增强CNN性能的卷积注意力模块（convolutionalblock attention module，CBAM），并将其与长短时记忆（long short-term memory，LSTM）结合形成L-ResNet模型，进而实现了不同类型的心律失常检测。为了最大限度地提取单导联ECG的全局信息，潘辉27在ResNet中将第一个传统卷积改为空洞卷积（dilatedconvolution），以更有效地捕获单导联ECG中的全局特征并将这些特征用于心律失常检测，最后在MIT-BIH数据库上获得了97.20%的准确率。为了提高心律失常检测模型的泛化能力，Allam等28设计了一个基于Stockwell变换（Stockwell transform，ST）和由12个残差路径组成的二维残差网络（2D-ResNet）的特定心电图心拍分类（specific ECG beat classification，SpEC）系统。其中，SpEC系统利用基于ST的时频表示方法来区分不同心拍，并利用2D-ResNet来克服数据不足和梯度退化问题。结果显示，SpEC系统在MIT-BIH数据库和该系统实时获取的单导联ECG数据库上分别取得99.73豫和89.87%的准确率。黄General Review综述黄丽，蔡定建，凌世康，等.深度学习在心律失常检测中的应用综述J.医疗卫生装备，2024，45（2）：105-112.106 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024莹29在深度残差收缩网络的基础上引入了注意力机制（Attention）和软阈值化结合的子网络，从而搭建了一维改进的残差收缩网络（1D modified residualshrinkage network，1D-MRSN）模型，用于未去噪的单导联ECG心律失常检测。最终，1D-MRSN模型在MIT-BIH数据库上获得了99.51%的准确率。可见，ResNet通过残差链接的方式帮助网络学习到更多的有效特征并且减少训练中出现的退化问题，从而提高心律失常检测性能。1.3循环神经网络渊recurrentneuralnetwork袁RNN冤RNN是一种具有记忆功能的神经网络，适合处理单导联ECG这种前后关联性强的时间序列信号。例如，Wang等30提出了一种基于双路径递归神经网络（dual-path recurrent neural network，DPRNN）的心律失常自动检测方法。将整个单导联ECG作为该模型的输入，再将单导联ECG分割成多个片段，然后对段内（局部）和段间（全局）2个方面进行分析和建模，以提取更多的特征信息，最后在2017年物理学/心脏病计算挑战赛（The PhysioNet/Computing in Car-diology Challenge 2017，CinC 2017）提供的数据库上能有效识别出房颤。RNN的变体也适用于心律失常检测。LSTM是一种在常规RNN基础上改进后的时序分析方法，具有克服长期依赖性的能力，可以解决RNN梯度爆炸或梯度消失的问题，因而逐步成为目前最主流的时序信号处理网络。例如，Singh等31分别使用RNN、LSTM和门控递归单元（gate recurrent unit，GRU）对MIT-BIH数据库的单导联ECG进行心律失常检测，结果显示LSTM对心律失常检测的准确度更高，说明LSTM更适合用于单导联ECG时序信号的处理。Ashfaq-Khan等32使用主成分分析对单导联ECG进行去噪，再使用LSTM对心律失常进行检测，最终在UCI ML Repository数据库33上实现了93.5%的检测准确率。Pandey等34使用了不同特征提取方法，包括小波变换、高阶统计量、R-R间隔和形态学描述等，再将这些特征进行组合并对其进行归一化，然后将它们输入LSTM中实现心律失常的自动检测，最后在MIT-BIH数据库上实现了99.37%的平均准确率。张异凡等35考虑到单导联ECG自身的特性，使用LSTM和CNN的并行组合模型，在心律失常检测方面取得了99.11%的准确率。其中，LSTM被应用于捕捉心电序列数据的时序依赖关系，CNN则被用来提取单导联ECG的局部相关特征。陶亮等36将CNN与LSTM串联起来，形成了CNN-LSTM混合模型。该模型包括5个卷积层、5个池化层、1个LSTM层和1个全连接层，并将经过预处理的单导联ECG输入其中，以实现5种心律失常类别的高效、准确检测。最终，CNN-LSTM在MIT-BIH数据库上实现了99.48%的准确率、99.47%的敏感度和99.86%的特异度。柯丽等37提出一种结合深度卷积神经网络和长短时记忆网络多层概率融合的卷积长短时记忆网络（convolu-tional long short term memory network，C-LSTM），并在单导联ECG上实现了99.23%的心律失常检测准确率。LSTM因具有长期记忆功能的特点，适合用于ECG这种时序信号的检测分析。ECG信号不仅仅与前一时刻有关，还与后一时段密不可分，使得双向长短时记忆网络（bidirectionallong short-term memory，BiLSTM）比LSTM更适用于ECG信号检测。例如，李兴秀等38先是利用CNN学习单导联ECG的形态特征，之后通过BiLSTM获取特征间的上下文依赖关系，最后在MIT-BIH数据库上运用Softmax函数完成心律失常检测任务并取得了99.11%的平均准确率。Yildirim等39结合BiLSTM与小波序列（wavelet sequences，WS）对单导联ECG信号进行分类，并在MIT-BIH数据库上获得了99.39%的心律失常检测准确率。然而，BiLSTM中的隐藏单元数量和学习率是基于先验知识预设的。Li等40解决了这个问题，提出了基于贝叶斯优化的BiLSTM模型用于心律失常自动检测。实验结果显示，相对于优化前，面向单导联ECG分类的BiLSTM模型在MIT-BIH数据库上的准确率提升了0.86%，达到了99.00%，证明了贝叶斯优化BiLSTM是一种有效的方法，可以提高分类性能。叶兴扬等41则运用基于ResNet和BiLSTM的融合模型对心律失常进行检测，该融合模型使用了16个残差块结构来提取和整合单导联ECG信号的特征，并利用BiLSTM来替换34层ResNet的最后一层卷积层后面的全连接层和输出层，最终在CinC 2017数据库上得到了85.71%的平均F1值。秦默然等42增加了空洞卷积池化金字塔（atrous spatialpyramid pooling，ASPP）模块，并进一步聚合各通道中不同尺寸的空洞卷积提取的信息，再将这些信息用于心律失常检测，最终在CinC 2017数据库上取得了87.35%的F1值，也在医院实测的单导联ECG数据库上取得了88.98%的平均F1值。Shin等43使用MobileNetV2-BiLSTM算法和匹配追踪算法进行心律失常检测，并在MIT-BIH数据库上获得了92.00%的准确率。其中，匹配追踪算法可以在短时间内增加单导联ECG数据，以解决数据不平衡问题。总之，BiLSTM在LSTM的基础上增加了反向运算，可以更好地捕捉双向语义信息，即单导联ECG的前后信息均General Review综述黄丽，蔡定建，凌世康，等.深度学习在心律失常检测中的应用综述J.医疗卫生装备，2024，45（2）：105-112.107 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024能被有效捕捉，进而提高心律失常的检测特性。1.4生成对抗网络渊generativeadversarialnetwork袁GAN冤GAN是解决数据不平衡的重要模型，其在多个领域44中都可以合成高质量图像，包括生成MRI切片45、视网膜图像46和胸部病理学数据47。GAN至少由生成器G和判别器D组成，可用于合成心跳。而MIT-BIH数据库中各类的心律失常数据分布不平衡，大部分是正常心拍，而心室融合心跳（fusion ofventricuiar and normal beat，FVN）、心室逸搏（ventri-cular escape beat，VEB）和心室颤动波（ventricular flu-tter wave，VFW）等数据较少。因此，在进行相关研究时许多学者会对每个类别的数据进行平衡处理，以确保模型训练和评估的准确性和可靠性。陈鹏等48将一维单导联ECG进行单个节拍分割后转化成二维灰度图像（192伊128），再利用GAN-CNN生成高质量的心拍图像，以解决数据不平衡问题，并实现了8种心律失常的检测。Shaker等49使用GAN合成高质量的单导联ECG数据，并提出了2种基于CNN的方法来实现15种心律失常的检测。其中，第一种方法（端到端方法）是由3个inception模块和3个全连接层构成的CNN结构，直接将心跳分为15种类型之一；第二种方法（两阶段分层法）先在第一阶段确定心律失常的类别，然后在第二阶段将其分类为属于该类别的具体类型。最后，通过第一种方法实现了98.30豫的总体准确率和90.0豫的精确度，第二种方法的总体准确率为98.00豫，精确度为93.95豫。实验证明，GAN可以有效解决单导联ECG数据不平衡问题。1.5TransformerTransformer在处理长序列数据时会采用并行处理的方式，无需依次处理每个元素，使得其在长序列数据时有更高的效率。例如，Yan等50提出了一种基于Transformer的心律失常检测方法。考虑到单导联ECG没有平移信号，所以该方法只使用了Transfor-mer编码器部分，并将其中的dropout层替换为批量归一化。此外，为更好地捕获单导联ECG中的节律特征，该研究将手工设计的时间特征与Transformer学习到的特征进行融合。最终，在MIT-BIH数据库上取得了95.09%的精确度。Hu等51提出了一种基于CNN和Transformer的单导联ECG心律失常检测算法。该算法将连续单导联ECG片段作为输入，且设计了一个同时考虑位置与类别的损失函数和配对代价函数，在MIT-BIH房颤数据库上的准确率达到99.23%，在PTB-XL数据库上的准确率达到99.21%。可见，Transformer在处理长序列的时序信号方面能够得到心律失常检测的高准确率。在实际临床环境中，除了准确的心律失常检测外，结果的可解释性也同样重要。心脏专家除了提供诊断结果之外，还要有详细的解释来支撑自己的诊断结果52。罗望成等53提出一种基于CNN-BiLSTM和Attention的可解释性的模型来实现心律失常检测。该模型由6个卷积层、3个最大池化层、1个BiLSTM层、2个Attention层和1个全连接层组成，并在MIT-BIH数据库上获得了94.65%的准确率和98.69%的特异度。Li等54结合单导联ECG信号的全局序列特征，构建了具有可解释性的BiLSTM-Attention模型用于心律失常检测，实验结果显示该模型在MIT-BIH数据库上的检测准确率可以达到99.49%。Lu等55提出一种端到端的残差注意力网络（residual attentionnetwork，RA-NET）模型。该模型先是利用CNN和残差块提取单导联ECG的局部特征，然后累加了5个RA进一步增强信号类别的相关特征并抑制冗余特征，最终在CinC 2017数据库上获得了89.55%的心律失常检测敏感度。Zhao等56提出了基于Attention的时域卷积网络（temporal convolutional networks，TCN）的心律失常检测模型。该模型利用TCN和Attention分别提取单导联ECG的全局特征和局部特征，并采用Focal Loss来克服数据不平衡问题，最后在MIT-BIH数据库上得到的准确率为99.84豫。深度学习在以单导联ECG为研究对象的心律失常检测中已经取得了超过99%的准确率，这使得其在日常监测自身心脏状态更具实用性。然而，与12导联ECG相比，单导联ECG包含的特征信息相对较少。在临床检测中，12导联ECG包含的特征与特定类型的心律失常密切相关，因此12导联ECG有利于临床心律失常的检测。2深度学习在12导联ECG心律失常检测中的应用ECG信号虽然容易采集且操作简单，但与单导联相比，12导联ECG包含的特征更为丰富，可挖掘出更多有价值的信息，提取出更多有效特征用于检测，进而对9种类型（见表1）的心律失常进行更精确的检测。其中，完整的12导联ECG通常来自6个肢体导联（玉、域、芋、aVR、aVL、aVF）和6个胸导联（V1、V2、V3、V4、V5、V6）。不同导联的ECG信号表现出不同的特征，这些特征与特定类型的心律失常相关。因此，实现对完整的12导联ECG自动检测在临床医学中越来越重要，而深度学习能够以其优势辅助实现临床心律失常检测。2.1静态12导联ECG静态12导联ECG是一种可用于全面检测心脏General Review综述黄丽，蔡定建，凌世康，等.深度学习在心律失常检测中的应用综述J.医疗卫生装备，2024，45（2）：105-112.108 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024的电活动。He等57提出了一种ResNet与BiLSTM相结合的模型，进而实现对静态12导联ECG心律失常的检测。其中，静态12导联ECG信号长短不一，不利于模型的训练，故对静态的每个导联ECG进行处理以解决此问题。具体的处理方式为，以ECG长度30 s为基准，若ECG信号长度不足30 s，则在ECG的前端补零至30 s的长度；若ECG信号的长度超过30s，则截至30s。该模型在2018年举办的中国生理信号挑战赛（China Physiological Signal Challenge 2018，CPSC 2018）的数据库上进行心律失常检测，获得了0.836的F1值。然而，静态12导联ECG上各导联所具有的特征信息并不一致，为了最大限度地提取静态12导联ECG特征信息，Ye等58则将每个导联ECG分割成10段6s的ECG片段，再输送至由12个CNN和BiLSTM组成的分支网络中进行特征提取，然后将这些特征进行融合，最后在极限梯度提升树（extremegradient boosting，XGBoost）分类器中完成心律失常检测并获得了0.828的F1值。Zhang等59提出一种多导联分支融合网络，用于心律失常的高效检测，最终在CPSC 2018数据库上获得0.855的F1值。其中，该融合网络包括12个由CNN、双向门控递归单元（bidi-rectional gate recurrent unit，BiGRU）和Attention组成的分支网络，可学习静态12导联ECG多样性特征。Wang等60搭建了一种用于12导联ECG心律失常检测的深度多尺度融合神经网络（deep multi-scalefusion convolutional neural network，DMSFNet）模型。DMSFNet通过集成不同接收域的多个卷积核来实现不同大小的信号段的特征提取，且设计了多个不同尺度损失的联合优化策略，在学习过程中，不仅学习尺度特征，还实现了多尺度互补特征的累积过程。实验结果表明，DMSFNet在CPSC 2018数据库上取得了0.828的F1值，但在训练阶段独立提取每个导联的内部特征时没有考虑到不同导联之间的相关性。Li等61针对此问题，搭建了一种基于二维ECG信号和分离挤压模块的ResNet（ResNet with detachedsqueeze-and-excitation modules，DSE-ResNet）模型，将原始的静态12导联ECG合并到一个二维空间中，使得DSE-ResNet能够同时提取静态12导联ECG的内部特征和导联间的相关性特征，在未公开的CPSC 2018的测试集上进行心律失常检测并获得了0.817的F1值。以上结果表明静态12导联ECG经过不同预处理、特征提取和分类的操作，能得到较好的心律失常检测结果。2.2动态12导联ECG随着时间和心脏节律的变化，ECG信号也随之发生变化，动态ECG信号中包含更多形态节律，可为心律失常检测提供更丰富的信息，更贴近临床实践。Dong等62搭建了多分支信号融合网络（multi-branch signal fusion network，MBSF-Net）用于心律失常检测。其中，MBSF-Net通过深度可分离卷积和多重卷积滤波器可有效提取动态12导联ECG中各导联的特征，并引入SPP层使得输入的ECG长度变得更加灵活，从而实现对动态12导联ECG的自动分类，并在CPSC 2018数据库上获得了0.838的F1值。Yao等63考虑到动态12导联ECG信号的时间特性，提出了基于注意力的时间增量卷积神经网络（atten-tion-based time-incremental convolutional neural net-work，ATI-CNN）模型，以实现动态12导联ECG的时间特征和空间特征融合，并用于心律失常检测。ATI-CNN由全卷积网络（fullyconvolutionalnetworks，FCN）、2个LSTM层和Attention组成。其中，FCN为输入数据的长度提供了灵活性，最终在CPSC 2018数据库上获得了0.812的F1值。3讨论从深度学习在单导联和多导联ECG心律失常检测方面的应用（见表2、3）可以看出许多学者根据ECG的特性，利用深度学习技术在心律失常检测中取得一定的研究成果，但仍存在一些问题制约着计算机辅助心律失常检测的发展，具体如下：（1）泛化能力差。不同方面的研究在不同的数据库进行，导联数、持续时间和采样参数各有差异，难以公平地比较。尽管本文提到的深度学习在心律失常检测上均能达到较高的准确率，但由于ECG数据的异质性和样本间的差异，一些模型可能在新的数据集上的泛化能力较差，尤其是在医疗机构的临床数据上表现不佳。因此，可以考虑如何利用迁移学习的方式来处理和解决实际临床ECG数据问题，将心律失常检测模型真正应用于临床实践。（2）可解释性差。无论对于单导联ECG还是多导联ECG，深度学习均可在心律失常检测中取得较高的准确率，但深度学习的“黑盒”性使其难以解释表19种心律失常类别序号中文全称英文全称英文缩写1正常normalN2心房颤动atrial fibrillationAF3一级房室传导阻滞玉-degree atrioventricular block玉-AVB4左束支传导阻滞left bundle branch blockLBBB5右束支传导阻滞right bundle branch blockRBBB6房性期前收缩premature atrial contractionPAC7室性期前收缩premature ventricular contractionPVC8ST段压低ST-segment depressionSTD9ST段抬高ST-segment elevatedSTEGeneral Review综述黄丽，蔡定建，凌世康，等.深度学习在心律失常检测中的应用综述J.医疗卫生装备，2024，45（2）：105-112.109 窑医疗卫生装备窑 2024年2月第45卷第2期悦澡蚤灶藻泽藻 酝藻凿蚤糟葬造 耘择怎蚤责皂藻灶贼 允燥怎则灶葬造 窑 灾燥造援 45 窑 晕燥援 2 窑 February 窑 2024文献准确率/%敏感度/%Acharya等1393.4796.01Acharya等1394.0396.71Wang等1599.06Romdhane等1698.4198.41Kiranyaz等1898.9099.00Yildirim等1995.2093.52Yildirim等1992.5188.57Yildirim等1991.3383.91de Santana等2099.1393.07Jun等2199.0597.85Ullah等2299.1197.91Li等2394.00Tong等2494.73Li等2599.0693.21沈尧等2699.5199.34潘辉2797.2092.85Allam等2899.7398.84黄莹2999.5197.11Pandey等3499.3794.89张异凡等3599.1199.44陶亮等3699.4899.47柯丽等3799.2394.26李兴秀等3899.1192.33Yildirim等3999.39Li等4099.00Shin等4392.0092.00陈鹏等4899.3299.69Shaker等4998.3097.77Shaker等4998.0097.71Yan等5099.6294.12Hu等5199.23罗望成等5394.6592.69Li等5499.4999.86Zhao等5699.8499.60模型类别数9层CNN（A类）59层CNN（B类）57层CNN5CNN+Focal Loss51D-CNN51D-CNN131D-CNN151D-CNN172D-CNN172D-CNN82D-CNN8CNN+SPP6MINN1331层ResNet5ResNet+LSTM+CBAM5ResNet+Dilated Convolution5ST+2D-ResNet51D-MRSN4LSTM5CNN+LSTM5CNN+LSTM5CNN+LSTM5CNN+BiLSTM5WS+BiLSTM5基于贝叶斯优化的BiLSTM5MobileNetV2-BiLSTM4CNN+GAN8CNN+GAN（第一种方法）15CNN+GAN（第二种方法）15Transformer4CNN+Transformer5CNN+BiLSTM+Attention5BiLSTM+Attention5TCN+Attention+Focal Loss5数据库数量/条MIT-BIH109 446MIT-BIH109 446MIT-BIH100 630MIT-BIH109 446MIT-BIH83 648MIT-BIH1 000MIT-BIH1 000MIT-BIH1 000MIT-BIH2 550MIT-BIH10 000MIT-BIH107 669MIT-BIH32 757MIT-BIH136 392MIT-BIH94 013MIT-BIH93 743MIT-BIH32 038MIT-BIH58 236MIT-BIH100 672MIT-BIH100 692MIT-BIH94 131MIT-BIH99 235MIT-BIH100 700MIT-BIH100 588MIT-BIH7 363MIT-BIH996 595MIT-BIH654MIT-BIH4 400MIT-BIH102 098MIT-BIH102 098MIT-BIH98 555MIT-BIH107 769MIT-BIH32 395MIT-BIH109 454MIT-BIH109 492特异度/%F1值/%91.6491.5498.3893.9099.6192.4599.3989.2899.4185.3899.5292.6899.57-99.6198.0099.5699.3998.2993.0099.5099.1297.9699.1495.7797.2783.4999.8699.5798.9591.0091.0098.9199.2397.4194.5698.6998.4399.9089.46表2MIT-BIH数据库上现有单导联ECG分类方法对应检测性能比较决策的具体原因。在临床实践中，医生需要了解深度学习算法的决策依据，才能做出正确的诊断。因此，可以考虑利用医生或专家的先验知识，将其作为先验分布或约束，帮助改进深度学习算法的设计，进而提高模型的准确率和可解释性。（3）时间复杂度大，耗时较长。尤其是12导联ECG心律失常检测中的深度学习方法。深度学习无法在训练之后通过局部调整来修改学习效果，必须通过重新训练得到结果。针对心律失常检测的特点，可以优化网络结构和损失函数等设计，也可以利用并行计算的技术，进而缩短训练时间，从而有助于提高模型的效率和稳定性。除此之外，专家在手动标记过程中可能会出现错误，还应考虑到标签问题，故无监督或弱监督学习也将会是研究热点。随着更多的科研人员加入深入学习的队伍中，未来在提高模型的泛化能力、增强模型可解释性和降低时间成本等方面定会取得更优异的成果，也一定会有一种健全的心律失常检测算法可以满足更广泛和更高效的临床实践需求，进而大大减轻医生负担，降低误诊率，提高诊断效率。4结语心律失常是一种常见的心血管疾病，严重的话可能会危及生命。随着人们生活方式的改变和压力的增加，心律失常患者的数量逐渐增多。因此，对于心律失常的早期检测和诊断尤为重要。目前，随着医疗技术的不断进步，心律失常检测技术也在不断完善。尽管深度学习在ECG心律失常检测准确率方面优势显著，但仍面临着一些挑战和问题。未来，在大数据时代的引领下，随着各自算法的不断迭代与更新、数据集的增加以及硬件设备性能的提升，深度学习在ECG心律失常检测领域中会有更广阔的应用前景。参考文献1World Health Organization.Cardiovascular diseases（CVDs）EB/OL.2023-04-06.https:/www.who.int/news-room/fact-sheets/de