心电特征引导下的自监督房颤异常检测方法

作     者：陈鹏 邓淼磊 樊好义 张德贤 韩涵 

作者机构：郑州大学计算机与人工智能学院 哈尔滨理工大学测控技术与通讯工程学院 河南工业大学信息科学与工程学院 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

基　　金：河南省高校重点项目(No.23A52002) 科技创新2023-“新一代人工智能”重大专项(2021ZD0111000) 国家自然科学基金(62276091) 河南省重大公益专项(201300311200) 

主　　题：心电图 时间序列 异常检测 自监督学习 房颤检测 自编码器 

摘      要：心电异常检测旨在发现心电数据中异常的模式，例如房颤特征或无效干扰信号特征。针对心房颤动心电异常，提出了一种简单有效的自监督房颤异常检测方法，称为心电特征引导下的房颤异常检测器（Electrocardiogram Feature induced Atrial Fibrillation Detector，EFAFD），本方法通过引入P波掩码和心率变异性指标预测多任务学习策略，指导模型学习房颤心电P波消失和RR间期绝对不齐等医学特征，提高模型对房颤异常心电模式的判别能力。具体地，首先，将P波掩码心电数据通过自编码器重构原始的心电数据，学习房颤心电P波易消失的特征。同时，将心率变异性指标的预测任务整合到自编码器框架中，学习房颤心电RR间期绝对不齐的节律特征。最后，通过度量心电的重构误差，实现房颤心电的检测。在真实的动态心电数据集上评估了所提出的方法，包括CPSC2021数据集和Icentia11k数据集。EFAFD模型的AUC分别达到了81.85%和92.46%。实验结果表明，所提出的方法在房颤异常检测方面优于现有的方法。