基于持续学习的心脏健康到情绪健康联合分析

作     者：高鸿祥 蔡志鹏 李建清 刘澄玉 GAO Hongxiang;CAI Zhipeng;LI Jianqing;LIU Chengyu

作者机构：东南大学仪器科学与工程学院南京210096 东南大学数字医学工程国家重点实验室南京210096 南京医科大学生物医学工程与信息学院南京211166 

出 版 物：《生物医学工程学杂志》 (Journal of Biomedical Engineering)

年 卷 期：2025年第42卷第1期

页      面：1-8页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0836[工学-生物工程] 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）] 

基　　金：国家重点研发计划(2023YFC3603600) 国家博士后科学基金(2024M750444) 江苏省基础研究自然科学基金(BK20241304) 

主　　题：身心健康 心电图信号 多分辨率 持续学习 

摘      要：心血管疾病和心理障碍已成为威胁人类身心健康的两大主要问题。尽管基于心电图信号的研究为解决这些问题提供了重要契机,但在心电特征的理解以及跨任务知识迁移方面,现有方法仍面临性能瓶颈和适用性不足等挑战。为此,本文设计了一种基于残差网络的多分辨率特征编码网络,能够有效提取心电信号的局部形态特征与全局节律特征,增强特征表达能力。此外,提出的基于模型压缩的持续学习方法通过将简单任务中的结构化知识逐步传递到复杂任务,可有效提升下游任务性能。多分辨率学习模型在心电QRS波群检测、心律失常分类和情绪分类等五个数据库上取得了超越或与当前先进算法相当的性能。持续学习方法在跨领域、跨任务和数据增量的场景下都取得了相较于常规训练方法的显著提升,证明了所提出方法对于心电跨任务知识迁移的能力,为心电多任务学习提供了新路径。