融合單導聯心電圖傳統與深度特征的常見心律失常識別方法研究

李全池 黃 鑫 羅成思 黃惠泉 饒妮妮

(電子科技大學生命科學與技術學院，成都 610054)

引言

心律失常是心血管疾病中最為常見的疾病類型之一。一些早期心律失常在體征上與健康個體沒有明顯區別，往往在較為嚴重時才被檢出，容易使患者錯失最佳治療時期。因此，開展心律失常的長時間智能監護，以提高心律失常的早期檢出率和自動診斷準確率，具有十分重要的實際意義。

常見的心律失常智能監護模式可簡單描述為:首先采用便攜式心電設備，采集用戶的長程動態心電圖(electrocardiogram，ECG)，然后通過智能移動聯網設備(如手機)傳輸至后臺服務器，接著后臺服務器進行智能判斷和處理，再通過智能移動聯網設備及時反饋給用戶和合作醫院，最后合作醫院通知有異常心電信號的患者作進一步診療。為了不影響被監護人的日常生活和工作，大多數便攜式心電設備只采集1 個或2 ～3 個導聯的ECG 信號。與臨床靜息態12 導聯ECG 相比，少數導聯ECG 攜帶的心律失常特征更少，再加上長程動態ECG 的干擾大，如電極接觸噪聲、基線漂移和呼吸等，給準確判斷和識別各種心律失常的智能算法設計帶來較大挑戰。

迄今為止，已經有大量心律失常智能檢測算法問世。例如，針對最為常見的心律失常-房顫(atrial fibrillation，AF)的檢測與識別，Andrikopoulos 等[1]和Ladavich 等[2]分別利用P 波的幅度、離散度以及波寬的方差和P 波缺失等系列心房特征，區分正常心電與房顫信號；Sarkar[3]與Zhou 等[4]分別利用RR間期差分的洛倫茲散點圖特征和編碼香農熵等特征區分房顫，特別是后者方法的靈敏度和特異性分別達到了97.37%和98.44%，是目前基于RR 間期識別房顫的方法中性能較為優秀的方法之一。Couceiro 等[5]通過結合P 波和心率變異性參數的一系列特征，以及Jiang 等[6]聯合P 波和RR 間期特征參數，都實現了對房顫較準確的檢測。針對束支傳導阻滯和早搏的檢測，王明松等[7]將QRS 波群寬度延長和形狀改變作為特征構建模板，能按單個心拍識別完全性束支阻滯。楊波等[8]提出了一種自適應變長模板，對室性早搏進行識別，算法敏感度可以高達98%。這類模板方法容易受到噪聲影響，且在遇到波形相近的心律失常時很容易出現誤識別。基于機器學習的方法能夠有效地緩解模板方法的問題[9-11]。

隨著深度神經網絡(deep neural network，DNN)的發展，一大批基于深度學習的多種心律失常檢測與識別算法涌現出來，一些大型國際比賽也極大地促進了這類算法的發展。例如，張清學等[12]提出了一種基于離散小波變換的時頻域一維卷積神經網絡，實現了對來自于多個數據庫中異常節律的識別，平均識別率達到了93.5%。Chen 等[13]利用一維卷積神經網絡(convolutional neural network，CNN)并結合長短時記憶網絡(long short term memory network，LSTM)，在MIT-BIH 數據庫中進行驗證，對正常、房顫、房撲、心室肥大、竇性心動過緩和起搏節律等共6 種節律的識別準確率達到了97.15%。Hannun 等[14]采用了一種34 層的DNN，構建了一個大型心電數據集，實現了對房顫、房室傳導阻滯、二聯律、室性自主心律、交界性心律、噪聲、正常心律、室上性心動過速、三聯律、室性心動過速、異位房性心律和文氏現象等12 種不同類型心電信號的分類，其平均準確率達到了83.7%。這些研究證明，基于DNN 的方法在檢測與識別心律失常上可行和有效，但需要大量數據用于訓練，且獲取的特征可解釋性較差。由于傳統特征工程獲取的專家特征大都具有較好的可解釋性，有利于幫助醫生等專業人士對ECG 作出解釋，因此本研究將傳統解釋性強的特征與DNN 自動提取的特征進行結合，并在小樣本訓練和特征解釋性上做了嘗試，發展了一種基于單導聯ECG 的常見心律失常智能識別算法，最后采用靜息態和動態單導聯ECG 數據，驗證該算法的有效性和可行性。

1 材料與方法

1.1 實驗數據

1.1.1 靜態ECG 數據集

該數據集來源于2018年中國生理信號挑戰賽( China Physiological Signal Challenge 2018，CPSC2018)[15]。它提供了6 877 條不同時長的12導聯心電數據，采樣率為500 Hz，包括房顫、一度房室阻滯、左/右束支阻滯、房/室性早搏、ST 段抬高或壓低等共9 類心律失常和正常節律，具體分布情況如表1所示。考慮到大多數便攜式心電設備采集了肢體導聯的ECG，且肢體Ⅰ導聯和Ⅱ導聯數據相近，因此筆者提取了該數據集中肢體Ⅱ導聯的ECG用于后續研究。由于臨床上判斷ST 段抬高或者壓低需要綜合12 導聯信息，基于單導聯心電圖識別ST 段抬高、壓低的準確率難以滿足臨床需求，因此排除了ST 段抬高或壓低。在房顫、一度房室阻滯、左/右束支阻滯、房/室性早搏和正常等7 種心電圖中，左束支阻滯的記錄數量最少，房顫和右束支阻滯的記錄數量較多，因此各類心電圖信號之間存在樣本數不均衡的問題。

表1 CPSC2018 提供的心電圖數據集分布情況Tab.1 ECG data profile for the CPSC2018

需要特別指出的是，該數據集中部分心電圖可能同時包含多種心律失常的特征，說明患者身上存在多種心律失常共病，這一特點符合臨床實際。為此，本研究采用sigmoid 函數，同時映射多種心律失常的概率，取概率最高的心律失常類型作為預測結果。

采用這組靜態ECG 數據的目的是:靜態ECG干擾小，攜帶的心律失常特征明顯，有利于本研究提取準確的心律失常傳統特征，并優化深度特征，為構建適用于動態ECG 的心律失常識別方法奠定基礎。

1.1.2 動態ECG 數據集

為了驗證本研究算法在便攜式設備采集的動態ECG 數據上的有效性和可行性，采用2017年全球房顫挑戰大賽(The physionet/cinc challenage 2017，CINC2017)的動態ECG 數據。CINC2017 數據集來源于AliveCor 單導聯心電采集設備，采樣率為300 Hz，總共包含了8 528 組不等長的訓練數據和3 658組隱藏測試集(未公布)。訓練集上的數據分布信息如表2所示，包括正常、房顫、其他心律失常和噪聲4 種類型。按照該數據庫對分類結果評價的推薦，本研究在計算算法性能評估參數的平均值時，只對正常、房顫和其他心律失常的節律求取平均值。

表2 CINC2017 數據庫中訓練集數據的分布信息Tab.2 ECG data profile for the CINC2017

1.2 方法

首先采用傳統方法提取單導聯心電信號的專家特征，然后分別搭建殘差塊網絡和雙向長短時記憶網絡，提取其深度學習特征，最后設計一種能夠融合不同尺度特征的多分類方法，圖1所示為該方法的整體流程。

圖1 研究方法的整體流程Fig.1 The structure of the proposed method

1.2.1 傳統專家特征提取

在原始心電信號通過巴特沃斯低通濾波器和中值濾波進行高頻和基線漂移的噪聲濾波后，采用QRS 波群定位、小波變換以及基于RR 間期的心率變異性非線性分析等方法，對心電信號進行時域、頻域和形態3 方面的傳統專家特征提取。

1)時域特征提取策略。

針對房顫發生時RR 間期呈現絕對不規則的特點，提取RR 間期的均方差、最大值、最小值、平均值、偏度、峰度和變異系數等統計值，以及基于洛倫茲散點圖得到的特征，用于房顫的檢測與識別。洛倫茲散點圖相關的特征包括:反映心拍之間的變化率平均增長步長參數(stepping)、反映洛倫茲散點圖中各點和對角線的分布離散程度的分散率參數(dispersion，disper)[16]，對RR 間期做一階差分得到的不規則度參數(irregularity evidence，irrEv)、密度參數(density evidence，Density)、代償間歇參數(PACEvidenc，PACEv)和綜合指標( AFEvidence，AFEv)等[3]。

針對早搏發生時聯律的出現會呈現出間期長短相間的特點，本研究將相鄰RR 間期間呈現代償間歇規律特征的心拍視為二聯律的發生，提取了相對于每個心拍出現的比例、RR 間期變異系數與每兩個相鄰RR 間期為單位的變異系數之比，以及每兩個相鄰RR 間期的平均值，作為區分早搏的時域特征。

束支傳導和一度房室阻滯最為顯著的特征為間期延長。為此，本研究將QRS 波群寬度的平均值、中位數、標準差，Q 波和R 波寬度的中位數、變異系數等，用于識別束支傳導和一度房室阻滯的特征；因為阻滯發生后，還伴隨有S 波畸形和ST 段間期縮小等特點，所以提取了T 波寬度平均值和RT平均長度等作為阻滯的特征。此外，在粗略定位了P 波和T 波及其起止點后，還提取了PR 間期長度平均值、標準差等，作為區分一度房室阻滯的特征。

進一步，本研究將基于RR 間期分析得到的樣本熵系數、樣本熵、復雜度、心率的平均數和標準差等也作為時域特征。

2)頻域特征提取策略

心電信號是周期節律性信號，在一個心動周期中，不同特征波的頻帶范圍不同。例如，QRS 波主要集中在20 Hz 以下，正常P 波和T 波的主要頻率段分別在5～30 Hz 和0 ～10 Hz 范圍內[17]。當發生某些心律失常時，這些特征波的頻段會發生改變。房顫的f 波頻率范圍在3 ～10 Hz[18]。因此，首先對心電信號進行功率譜分析，然后提取3 ～10 Hz 的能量值、3～10 Hz 能量占比、0.1 ～5 Hz 能量占比、10 ～20 Hz 能量占比、20～100 Hz 能量占比等多個頻段作為頻域特征；接著，對R 波前200 到60 ms 間的片段(可能存在P 波)進行4 層連續小波變換，獲取各層能量系數與整體能量的比例、各層小波系數均值和各層小波變換系數中大于平均系數的占比等作為頻譜特征；最后，參照大多數相關方法，在對心電信號進行6 層小波變換后，將各層能量系數作為頻譜特征。

3)形態特征提取策略。

心電圖信號的幅度是臨床醫生最關注的形態特征，本研究將R 波和S 波的平均幅度、標準差和中位數以及T 波的平均幅度等作為形態特征。由于Q 波、S 波、P 波和T 波在某些心律失常發生時可能不存在，因此將它們相對于R 波出現次數的比例也作為一類形態特征。此外，每個心拍信號整體幅度的平均值、最大最小值和中位數，以及信號幅度的統計偏度和峰度等，也是本研究采用的形態特征。

QRS 波畸形是束支阻滯的特征之一。Q 波(沒有Q 波時采用QRS 波起點代替)和R 波之間片段幅度值的一階差分后小于0 的情況，被定義為QR段出現切記[19]。本研究將QR 段的斜率平均值、中位數和切記比例，以及RS 段的斜率平均值、中位數和切記等，納入區分束支阻滯的形態特征。

針對房、室性早搏在形態上的特征，本研究將基于多重分形去波動分析得到的奇異程度的最大值和最小值、分形譜的寬度、赫斯特指數的最大值和最小值納入了區分房、室性早搏的重要形態特征[20]。

1.2.2 深度特征提取

針對數據可能的不等長問題，首先統一將心電圖信號截取為16 384 個采樣點的時長片段。對長于該時長的心電圖信號進行截斷操作，對于不足該時長的心電圖信號進行末尾補零處理(見圖1)。為了加快訓練進程和收斂速度，這一步還對所有的輸入心電圖信號進行了標準數據歸一化處理(即常用的白化操作)；然后，分別采用殘差塊和雙向長短時記憶(bi-directional long short memory，BiLSTM)網絡，提取心電圖信號的卷積特征和時序序列特征。

1)基于殘差塊網絡的深度特征提取。

所采用的殘差塊網絡根據Awni 等[14]的方法修改而來。為了避免梯度消除問題，原網絡采用了目前最常用的Relu 作為激活函數[21]，且每兩個一維卷積層、兩次批歸一化處理、兩個以Relu 為函數的激活層和一個Droupout 層作為一個小殘差塊，共計16 個殘塊。在此基礎上，以每3 個小殘差塊為1 個大殘差塊，總共3 個大殘差塊，形成了殘差嵌套結構。這種改進能夠加強淺層網絡中的形態特征與后面深度特征的結合，而殘差塊中的批歸一化和Droupout 層用于加速網絡收斂和減少過擬合。在經過殘差塊的一次批歸一化、Relu 激活層和全局最大池化獲得特征序列后，通過全連接層映射成更為抽象的特征空間，由此獲得心電信號在第一個尺度上的特征，后面稱為殘差塊特征。值得一提的是，在殘差塊網絡中，卷積核大小都為16，步長為1，卷積層的初始權重按照文獻[22]中的描述進行設置。

2)基于BiLSTM 網絡的深度特征提取。

為了充分挖掘心電圖信號的特征信息，受Oh等[23]方法的啟發，引入LSTM 參與時間尺度的特征提取。為了更好地聯系前后時間關系特征，采用了BiLSTM 網絡結構。

心電信號經過第1 個殘差塊處理后，送入由一維卷積層、Relu 和步長為2 的最大值池化層組成的卷積模塊通道。該模塊通道需要重復4 次，4 次卷積核大小分別設置為16、8、6、4，步長都為1，每次卷積含有32 個隱藏單元。在通過卷積模塊通道后，進入以雙向LSTM 為主的模塊，以獲取心電信號的時序特征。對于序列越長的信號處理，LSTM 單元的運算復雜度也會呈平方增加，所以本研究通過加深特征的深度來減少數據量，從而加快BiLSTM 的訓練速度。本研究采用的BiLSTM 層含有64×2 個隱藏單元，并只在最后一個記憶單元輸出，以得到第2個尺度上的特征，后稱為BiLSTM 特征。

1.2.3 基于特征的分類識別

將傳統專家特征作為第3 個尺度上的特征，送入節點數為32 的全連接層進行處理。全連接層的作用在于對傳統專家特征做自動加權映射，以甄別出最利于分類的特征組合，避免了傳統專家特征的優化工作。經全連接層處理后的傳統專家特征再與殘差塊和BiLSTM 網絡提取的深度特征進行融合，最后融合特征通過全接連層映射為各個心律失常類別，用sigmoid 函數進行多種心律失常的概率預測。

圖2所示為基于特征融合的多種心律失常識別網絡結構。

圖2 基于特征融合的多種心律失常識別網絡結構Fig.2 The structure of the proposed method

1.2.4 Loss 函數計算

本研究采用評價多分類的F1 分數與1 的差值作為loss 函數，稱為F1＿loss，在圖像處理領域也稱為Dice loss，常用來衡量相似程度。在心律失常分類中，對于獨熱碼形式的標簽預測值也可以與真實值進行相似度評價。通常F1 分數的取值為多個樣本間的平均值，相對于常用的多分類交叉熵函數，在樣本不均衡時具有更好的抑制過擬合的能力。一個通常意義的F1＿loss 計算公式如下:

式中，p代表sigmoid 函數的預測值，代表其真實標簽，它們的取值范圍為[0，1]。

1.2.5 超參數設置

采用優化算法Adam[24]，對本研究算法進行優化。學習率設置為0.001，其余參數按默認值設置。最小批量(mini batch)設置為55，訓練周期(epoch)為100 次。為了防止過擬合，引入了早停法(early stop)和 Droupout 層。早停法最小損失設為0.000 1，連續10 個周期小于這個最小損失將停止訓練，所有Droupout 層的損失率設置為0.5。

1.2.6 分類性能評估

采用5 折交叉驗證的方式進行算法的訓練和性能測試。在靜、動態兩個數據集上的訓練、驗證和測試數據的劃分方式如圖3所示。每一折中訓練數據的1/10 用于驗證集，測試集完全獨立于訓練過程。

圖3 5 折交叉驗證中每一折訓練、驗證和測試集劃分方式Fig.3 The way to divide the training，validation for each fold in the five-fold cross-validation

實驗的硬件平臺是RAM 為128 GB 的深度學習服務器，其顯卡為RTX2080Ti。深度學習平臺基于TensorFlow 的Keras，其中TensorFlow 的版本為1.14.0，Keras 的版本為2.2.4。

采用能夠綜合反映多分類性能的F1 分數、靈敏度和特異性來評估算法的性能，其中屬于某一類別i的F1 分數計算過程如下:

式中:F1i為識別第i類疾病的F1 分數，i的取值范圍為1～7；Nij和Nji分別為第i類預測為第j類疾病的數量和第j類預測為第i類疾病的數量。

總的F1 分數為所有類別的F1 分數之和取平均。假設總分類數為n，那么對n分類的F1 分數計算如下:

2 結果

2.1 基于不同特征的分類識別性能驗證結果

為了驗證來自殘差塊網絡、BiLSTM 網絡和傳統專家3 個不同尺度特征對算法分類識別的影響力，本研究驗證了這3 個尺度的特征及其隨機組合成7種特征模式的性能，包括:專家特征、殘差塊和BiLSTM 網絡分別提取的特征(3 種)、3 種尺度的特征兩兩融合(3 種)以及3 種尺度特征融合(1 種)。這7 種特征模式在CPSC2018 靜態ECG 數據集上識別6 種心律失常和1 種正常節律，分類識別的F1 分數如表3所示。由表3可知，單獨基于專家特征、殘差塊和BiLSTM 網絡特征的測試結果顯示，本研究算法的整體F1 分數分別為0.766、0.826 和0.800，說明基于單獨的殘差塊網絡特征的整體分類效果最優。從對每種心律失常的分類識別結果來看，專家特征對右束支阻滯和房顫具有較高的識別能力，BiLSTM 網絡特征對右束支阻滯和房性早搏的識別性能較好，而殘差塊網絡特征則對右束支阻滯、房顫、室性早搏和一度房室阻滯分類效果較優。

表3 基于不同特征模式的分類識別F1 分數Tab.3 F1 scores of classification based on different feature patterns

基于4 種組合特征的實驗結果顯示，除了基于BiLSTM+殘差塊網絡組合特征以外，基于其余組合特征的性能均優于基于單獨特征的性能，但基于BiLSTM+殘差塊網絡組合特征的性能，相對于相關的兩種單獨特征而言，在右束支阻滯和房性早搏的分類識別效果上有明顯提升，在一度房室阻滯和室性早搏上有所降低。

進一步計算了專家特征+殘差塊+BiLSTM 特征融合模式下的分類識別靈敏度和特異性，如表4所示。除LBBB 以外，識別其他類別的靈敏度均在0.820 以上，而識別所有類別的特異性均超過0.940。平均分類識別靈敏度和特異性分別為0.766 和0.802，說明獲得了較好的性能。

表4 基于專家特征+殘差塊+BiLSTM 特征融合的分類識別靈敏度和特異性Tab.4 Sensitivity and specificity of classification recognition based on expert + residual blocks + BiLSTM features fusion

進一步將本研究算法的5 折交叉驗證結果與其他3 個相關研究進行比較。Wang 等[25]通過搭建卷積網絡，將信號特征提取后送入LSTM 網絡，與本研究方法有較強對比性。He 等[26]和Liu 等[27]分別獲得了CPSC2018 競賽的第3 名和第7 名，并將結果公開發表，因此將本研究方法與他們的方法作了對比。兩個對比方法均采用了殘差塊網絡結構，不同的是:He 等利用殘差塊網絡提取特征后再經過BiLSTM 網絡提取；而Liu 等采用殘差塊網絡獲取的特征與他們提取的專家特征融合，用于訓練一個Xgboost 模型后進行分類識別。本研究方法與對比方法分類識別正常、房顫、一度房室阻滯、左束支傳導阻滯、右束支傳導阻滯、室性早搏和房性早搏等7種節律，F1 分數比較如圖4所示。由圖可知，在所有對比方法中，本研究方法在正常、房顫、室性早搏與房性早搏上的F1 分數最高。特別是在房顫識別上，獲得了0.938 的F1 分數，具有很強的房顫識別能力，而且在其他心律失常的識別上也獲得了較好的性能。

圖4 本研究方法與對比方法分類識別7 種心電節律的F1 分數比較Fig.4 Comparison of the F1 scores of the proposed method with the comparative methods of classifying 7 cardiac rhythms

2.2 在單導聯動態ECG 上的分類識別能力

為了說明本研究方法在單導聯動態ECG 上的分類識別能力，筆者在CINC2017 動態ECG 數據集上，對本研究提出的多尺度特征融合方法進行了訓練和測試，并與CINC2017 競賽中兩個并列第一的方法和相關方法進行了比較。其中，Datta 等[28]采用了傳統的特征提取與篩選技術，通過訓練集成學習的AdaBoost 模型，對各節律心電信號進行分類。Zabihi 等[29]通過提取大量的特征，采用訓練隨機森林模型進行分類。Wang 等[25]通過搭建卷積網絡，將信號特征提取后，送入LSTM 網絡進行分類識別。Mahajan 等[30]將短程單導聯ECG 信號送入隨機森林，獲得分類識別結果。本研究方法與對比方法的實驗結果如圖5所示。

圖5 本研究方法在單導聯動態ECG 數據集上的分類識別能力與比較(其中，N、AF 和other 分別代表正常、房顫和其他心律失常)Fig.5 Performance and comparison of the proposed method with others on single-lead dynamic ECG dataset(Where N，AF and other represent normal，atrial fibrillation and other arrhythmias，respectively)

3 討論

本課題對常見節律類心律失常(房顫、房/室性早搏)和阻滯類心律失常(一度房室阻滯、左/右束支阻滯)進行了智能識別的研究，將神經網絡與傳統專家特征相結合，提出了一種能夠區分正常、AF、PVC、PAC、LBBB、RBBB 和I-AVB 等常見節律的智能識別方法。

從表3可以看出，傳統專家特征可以明顯輔助提升深度網絡的分類識別能力。當只用BiLSTM 網絡特征時的平均F1 分數為0.802，只用殘差塊網絡特征時的平均F1 分數為0.826，而當分別在兩種網絡特征上融合了傳統專家特征后，平均F1 分數分別提升到了0.817 和0.851。BiLSTM 網絡融合殘差塊網絡特征時的分類平均F1 分數為0.811，而在此基礎上添加了傳統專家特征后，平均F1 分數就達到了0.855。實驗結果表明，專家特征與深度特征融合策略具有較好的的可行性和有效性，也表明不同尺度特征融合能夠取長補短，使算法達到更好的分類識別性能。

此外，基于兩種特征融合的方法中，殘差塊網絡+專家特征融合的方法是最好的，其平均F1 達到了0.851，甚至在一度房室阻滯的識別上略優于3種特征融合，但在其他節律類型上的平均分類識別能力均弱于3 種特征融合的性能。這說明，BiLSTM網路特征對于像早搏和束支阻滯這類按單獨心拍發生的心律失常識別能力較強，而對在整個時間段中遍布發生的心律失常識別能力較弱，原因可能是由LSTM 的性質決定的。LSTM 通過對信號相鄰時間單元間的一種反饋循環機制，實現對時間狀態的分析，使重要信息被保留、不相關的信息被遺忘[31]。在本研究中，識別單獨心拍發生的心律失常可能更需要聯系上下文的信息，對于遍布發生的心律失常，上下文信息相對沒那么重要。

眾所周知，便攜式設備采集的單導聯動態ECG信號干擾大，質量較差。圖5中CINC2017 數據庫的實驗結果表明，本方法在較低信噪比的單導聯心電信號上鑒別常見的心律失常，仍然具備良好的性能和泛化能力。這一部分得益于CNN 對噪聲不敏感[32]，它在一定程度上能夠勝任處理由便攜式設備采集的、具有強干擾的單導聯心電信號。另外，傳統專家特征中也存在一些基于不易受到噪聲干擾的特征(如RR 間期特征)，這進一步增強了本方法在較低信噪比的單導聯心電信號上鑒別常見心律失常的魯棒性。

綜上所述，本研究的主要貢獻有3 個方面:

1)建立了一種能夠區分正常、AF、PVC、PAC、LBBB、RBBB 和I-AVB 等常見節律的智能識別方法，這種方法可擴展性強，無論是在12 導聯還是單導聯中都能獲得優良的性能。

2)驗證了傳統方法提取的心電特征與深度網絡提取的心電特征對區分多種心律失常具有一定的互補性，提出了結合兩類特征信息的新思路，以達到更好的多種心律失常的識別效果。

3)提取一些傳統專家特征，如基于RR 間期的特征以及心電波形幅度特征等，作為診斷心律失常的重要臨床信息。在深度學習網絡的框架上融入傳統專家特征，提高了基于深度學習的心律失常識別方法的可解釋性和應用價值。

本研究方法也存在一些局限性。提出結合傳統和深度網絡特征來識別多種心律失常的方法，雖然在肢體導聯上取得了較好效果，但是否對其他導聯(如胸前導聯)也有類似的效果還需要作進一步的分析。在改善深度學習分類常見心律失常的特征可解釋性上，提供了深度網絡特征+專家特征的思路。然而，傳統專家特征的提取受到人類認知和信號處理技術的限制，其準確性因不同方法差別較大，其他傳統特征提取方法是否可以替代本研究對應的方法，還需要作進一步的探索。

4 結論

本研究從ECG 信號的時域、頻域和形態上提取傳統專家特征，采用殘差塊和BiLSTM 深度網絡自動獲取深度特征，提出了一種基于傳統專家特征和深度特征融合的常見心律失常(房顫、房/室性早搏、一度房室阻滯和左/右束支阻滯)和正常節律的識別方法。在CPSC2018 單導聯靜態ECG 數據集上的測試結果表明，本研究方法的性能優于其他現有的相關方法。在CINC2017 單導聯動態ECG 數據集上進一步證實了本研究方法識別常見心律失常的有效性和可行性，因此在常見心律失常的輔助診斷和監護中具有較好的應用前景。

在下一步的研究中，一是驗證本研究方法適應不同穿戴式設備采集的心電信號能力，二是開展臨床預實驗并建立相應的臨床應用模式。