用于早期预测心脏骤停的时间序列心电图（ECG）数据

为何你的心跳数据可能救你一命

心脏的每一次跳动都会留下电活动痕迹，这些痕迹以熟悉的锯齿形线条出现在心电图（ECG）上。本研究展示了现代人工智能如何实时读取这些痕迹，提前警示医生个体正在朝心脏骤停或心肌梗死方向发展——在危机发生之前。通过比较不同类型的计算模型，研究人员探讨了医院乃至便携设备如何将持续的ECG监测转变为对世界主要致死原因之一的早期预警系统。

解读心跳中的危险信号

心血管疾病包括多种问题，从动脉堵塞和心肌梗死到节律失常和心肌功能减弱。许多这些病症共享一条共同路径：心脏的电气系统出现紊乱，从而增加突然、致命性停搏的风险。ECG 将这种电活动记录为时间序列——心跳一秒一秒地展开。波形形状和间隔的细微变化可以在症状明显之前揭示心律失常、心肌梗死的迹象或传导通路的损伤。挑战在于这些模式复杂且常被噪声掩盖，使得在人手紧张的临床环境中，医护人员很难快速且一致地识别。

计算机从心信号中学习的两种路径

作者将注意力集中在两大类从ECG时间序列学习的人工智能上。传统机器学习首先将每次心跳转换为一组数值特征，例如平均水平、变异性以及信号尖锐度或不规则性的度量。由人类专家设计并选择这些特征，然后像随机森林、梯度提升、支持向量机和简单神经网络等算法学习区分正常与异常心跳。相反，深度学习在很大程度上跳过了手工特征设计。卷积神经网络（CNN）及相关架构直接处理原始ECG信号或ECG图像，自动发现跨时间和频率有用的模式。这种端到端的方式通常带来更高的准确性，但代价是需要更大的数据集、更高的计算量，以及更难以解释的模型。

研究如何检验 AI 方法

为了公平比较这些方法，团队利用了两个知名的ECG数据集，将成千上万的正常和异常心跳合并为一个大型但不平衡的数据集，健康心跳约为病态心跳的三倍。对于深度学习路线，他们将心跳转换为标准化图像，并使用数据增强、类别加权和提前停止来训练CNN，以避免过拟合。对于机器学习路线，他们保留了原始时间序列形式，构建了丰富的统计特征集，对数据进行标准化，探索降维方法，并通过网格搜索和五折交叉验证对每个模型进行调参。他们还记录了训练时间和内存使用情况，以评估在资源有限的临床环境中部署每种方法的可行性。

模型在数据中发现了什么

两类模型在识别危险心脏活动方面都表现出色，但深度学习略胜一筹。CNN 在基于图像的任务上达到了约99.9%的准确率，而表现最好的机器学习模型——随机森林，在基于特征的时间序列数据上达到了约99.1%的准确率。其他方法，包括梯度提升、支持向量机和简单的多层感知器，也表现强劲。对混淆矩阵、受试者工作特征（ROC）曲线和精确率-召回曲线的分析表明以树为基础的方法和CNN在检测异常心跳而不向临床人员产生过多误报方面尤其强劲。与此同时，CNN 对计算能力和内存的需求最高，而更简单的模型训练更快，更容易在床边监护仪或低成本设备上运行。

让黑箱预测更值得信赖

医学中的一个关键关注点不仅是算法是否准确，还有医生是否能理解其决策的驱动因素。为此，研究人员对两类模型都应用了可解释人工智能工具。对于基于特征的模型，他们使用了一种称为SHAP的方法来查看哪些ECG统计量最重要；心率变异性指标、主要心搏尖峰（QRS 复合波）的形状以及与供氧相关的片段（ST 段）成为主要贡献者。对于CNN，一种可视化技术突出显示了影响网络输出的ECG图像的精确区域，同样集中在波形的临床相关部分。这些见解让临床人员放心，模型关注的是真实的生理信号，而非数据中的偶然特征。

这对患者与护理团队意味着什么

简单来说，这项工作表明计算机可以实时监测你的心跳并以极高的可靠性发出危险警报——有望为医生争取关键先机，预防心脏骤停或减少心脏损伤。深度学习模型提供了最高的准确性，但需要更多数据、计算资源，并且需要在现代、多样化的患者群体上进行严格验证。更简单的机器学习模型则更易部署且更易解释，因而对小型医院和可穿戴设备更具吸引力。这些方法共同指向一个未来：在透明可解释的人工智能的引导下，持续的ECG监测有望成为防范突发、危及生命心脏事件的常规安全网。

引用: Umair, M.K., Waheed, R., Abrar, M.F. et al. Time series electrocardiography (ECG) data for early prediction of cardiac arrest. Sci Rep 16, 9761 (2026). https://doi.org/10.1038/s41598-026-35788-9

关键词: 心脏骤停预测, ECG 时间序列, 深度学习 心脏病学, 机器学习 医疗保健, 人工智能在心脏病学中的应用