一種深度神經網絡實現了9類心律失常的自動分析診斷

　　近日，中國科學院深圳先進技術研究院數字所生物醫學信息技術研究中心研究員李燁及其團隊成員姚啟航、王如心、樊小毛和劉記奎等針對可穿戴心電信號提出了一種基于時空特征融合的深度神經網絡，實現了9類心律失常的自動分析診斷，有效提升了疾病自動分析的準確率。該成果以Multi-class Arrhythmia detection from 12-lead varied-length ECG using Attention-based Time-Incremental Convolutional Neural Network 為題發表在計算機人工智能期刊Information Fusion上。第一作者姚啟航為東北大學中荷生物醫學與信息工程學院與深圳先進院聯合培養本科生，本科畢業即將進入美國佐治亞理工大學生物醫學工程學院進一步深造，論文通訊作者為李燁。

　　據世界衛生組織（WHO）統計，每年全球約1800萬人死于心腦血管疾病，占死亡總數的31%，其中絕大多數的急性心血管事件發生在醫院外，心血管事件的醫院外預警十分關鍵。通過可穿戴心電信號自動監測分析對急性心血管事件早期預防和診斷具有重要意義。傳統分析方法在處理可穿戴心電信號時通常以特征點檢測為基礎進行分析，其缺點是易受噪聲與人體行為的干擾，分析精度低，同時忽略了不同體表位置采集的心電信號表現出的時空相關性。

　　針對上述問題，研究人員提出了一種基于時空特征融合的深度網絡架構，有效提取了信號的空間和時間特征，突破了傳統方法對心電信號時間空間特性同時描述的不足。研究人員進一步在網絡架構中引入注意力機制，對分段信號的重要性進行自適應評估，有效提高了模型對異常狀態的感知，降低了其它信息的干擾。上述方法實現了以房顫、傳導阻滯、早搏等為代表的9類心律失常疾病的有效判別，在2018中國生理信號挑戰賽公開的9831條心電信號上（約609,522個心搏），心律失常識別精度達到82.6%（如圖）。

　　該研究工作得到健康大數據智能分析技術國家地方聯合工程研究中心以及廣東省、深圳市等的資助。

圖：提出的方法示意圖及9類心律失常識別準確率。（注：N:竇性信號；AF：房顫信號；I-AVB：1度房室傳導阻滯；LBBB：左束支傳導阻滯；RBBB：右束支傳導阻滯；PAC：房性早搏；PVC：室性早搏；STD：ST段壓低；STE：ST段抬高）