一种用于边缘设备心电图分类的轻量残差膨胀时序Transformer模块

腕间的心脏健康守护

心脏病是全球首要的致死原因，然而许多危险的节律异常往往以短暂爆发的形式出现，容易在短暂的门诊就诊中被漏诊。本文介绍了一种将日常可穿戴设备（如智能手表和小型胸贴）转变为强大早期预警工具的新方法。作者设计了一种紧凑的人工智能模型，能够直接在设备端识别三种关键的心脏状态，无需将原始医疗数据发送到云端，从而使持续监测更快速、更私密且更省电。

为何发现隐匿的心律很重要

心电图（ECG）记录心脏的电活动，心脏病专家借助它来检测称为心律失常的节律问题以及充血性心力衰竭等病症。但这些事件往往转瞬即逝。病人在诊室里可能感觉良好，却可能在家中或睡眠时出现危险节律。使用可穿戴传感器进行长期监测会产生大量数据，医生难以手工逐条审阅。因此对ECG信号进行自动分类变得至关重要：计算机必须能在实时条件下可靠区分正常心跳、心律失常以及与心力衰竭相关的模式，同时还能在有限电池供电的小型设备上运行。

把智能分析带到边缘

如今，许多用于医疗信号的人工智能系统都在远程数据中心运行，这意味着原始ECG数据必须通过互联网传输，带来延迟、成本和隐私方面的担忧。作者转而关注“边缘”智能：在可穿戴设备或附近设备本地完成分析。边缘设备的内存、计算能力和电池寿命都很有限。核心挑战在于构建一个既足够小巧、高效以适配如Raspberry Pi或紧凑健康监测器等硬件，又具备足够准确性以可用于医疗决策的模型。本研究直接应对这一权衡，目标是在适合日常消费设备的体积中实现医院级表现。

新模型如何解读心跳

该团队将现代人工智能的两种强大思路——卷积神经网络和Transformer网络——结合到一个为一维ECG信号量身定制的精简设计中。首先，模型观察短时波形片段，以捕捉代表心跳的尖锐峰值和缓和波动等常见特征的形状。特殊的“膨胀”滤波器使其在时间上看到更远的范围而不会显著增加计算开销，从而能够把不同时刻的心跳关联起来。内置的注意力机制随后帮助模型聚焦于信号中最具信息量的部分，类似于临床医师目光被可疑波段吸引的方式。这一序列化步骤使系统既能理解每次心跳的细节，也能把握数秒范围内的整体节律。

在有限数据上发挥最大效用

作者在由知名公开ECG数据集组合而成的数据集上训练模型，涵盖心律失常、充血性心力衰竭和窦性心律正常。由于这些类别的样本分布不均——某些节律的样本明显更多——他们采用了数据平衡技术，生成逼真的合成样本并加入微小的变异和噪声。这教会系统应对来自可穿戴传感器的嘈杂真实测量，并防止其对最常见的模式产生偏倚。训练和调优过程受到严格控制，以确保最终模型保持小巧：约692,000个参数，占用大约2.6兆字节，并且每次预测仅需数亿次基本运算的一小部分。

性能如何以及其重要性

尽管体积小巧，该模型仍取得了显著的准确度：在测试信号上的分类正确率超过99%，并在多项统计度量中对三类心脏状态表现出良好的区分度。在实际应用中，这意味着轻量传感器可以可靠地标记可疑节律、提示可能的心力衰竭模式，或向用户确认其心跳正常——所有这些均无需将敏感的ECG波形流式传输到云端。对患者和临床医生而言，设备端智能可实现更早的诊断、全天候监测和更个性化的护理，同时保护隐私并延长电池续航。该研究展示了经过精心工程设计的人工智能如何将复杂的心脏分析从医院带入日常生活。

引用: Gracy, G.A., Pravin, S.C. A lightweight residual dilated temporal transformer block for ECG classification on edge devices. Sci Rep 16, 8834 (2026). https://doi.org/10.1038/s41598-026-35531-4

关键词: 心电监测, 心律失常检测, 可穿戴健康设备, 边缘人工智能, 心脏深度学习