一种基于高效深度 CNN 与 BiLSTM 并采用 RanA 优化的心律失常准确检测框架

为何更智能的心脏检测至关重要

心律问题（或称心律失常）是全球突发疾病与死亡的主要原因之一。如今，医生在诊断中高度依赖心电图（ECG）——监视器上熟悉的波形——来发现危险信号。但人工阅片耗时、易疲劳，尤其当危险事件短暂或隐匿时，容易漏诊。本文介绍了一种新的人工智能系统，能够筛查大规模 ECG 记录并以惊人准确率检测两种重要状况——房颤和充血性心力衰竭，可能使持续、实时的心脏监测更可靠。

不同心律，不同风险

不是所有心律都一样。房颤（AF）是心脏上腔室节律不规则且常常很快的状态，会大幅增加中风和心力衰竭的风险。充血性心力衰竭（CHF）是一种慢性病，心脏无法有效泵血，导致乏力、体液潴留，若不治疗可致命。相比之下，窦性心律（NSR）是由心脏自然起搏点产生的稳定节律。作者关注两个实用问题：仅凭 ECG 数据，计算机能否可靠地区分 AF 与 NSR、以及 CHF 与 NSR？若能解决，将利于更早诊断、对高危患者更密切监测，以及更快响应潜在预警信号。

教计算机“读”心跳

现代 ECG 记录每人可包含数百万个数据点。从这片数据海洋中人工提取有用模式几乎不可能。因此研究者构建了一个多阶段深度学习流程。首先，他们从 PhysioNet 库收集了三类常用 ECG 数据集：房颤记录、CHF 记录和正常节律记录。接着将这些长信号切分为较短片段，以便计算机高效分析。随后，他们使用一种称为胶囊网络（Capsule Network）的神经网络，将每个片段压缩为更少的数值，同时保留心跳的整体形状与结构。统计检验显示，此步骤比主成分分析等标准降维方法更能将病理节律与正常节律分离开来。

寻找最有意义的信号线索

即使压缩后，许多 ECG 片段的特征仍然冗余或与疾病关联较弱。为聚焦最重要的信息，团队采用了数种强大的类图像神经网络——EfficientNet B3、ResNet152、DenseNet201 和 VGG19——作为智能筛选器。这些网络最初用于图像目标识别；在此它们被重新用于对 ECG 特征进行排序，以找出最能区分 AF、CHF 与正常节律的特征。其中，EfficientNet B3 表现突出。它通过平衡网络深度与宽度，突出了最具信息量的模式，且其生成的特征与疾病标签关联更强，在健康与异常节律之间的区分度也更高。

随时间倾听节律

由于心脏信号是序列展开的，最终判决由擅长有序数据学习的模型作出：双向长短期记忆网络（BiLSTM）。该模型同时“前向”和“后向”监听每个片段，捕捉可能指示心律失常的微妙时间关系。为了进一步提升性能，作者使用一种称为随机化 Adam（RanA）的策略调优该模型的众多内部设置，在学习过程中注入受控随机性。这有助于避免陷入劣解并提升对新病人的泛化能力。研究者通过十折交叉验证和 70/30 的训练—测试拆分对整个方案进行了严格测试。

实践中效果如何？

经优化后，EfficientNet B3 + BiLSTM + RanA 的组合取得了显著性能。其区分 AF 与正常节律的准确率为 99.48%，区分 CHF 与正常节律为 99.32%——略优或与此前研究报道的最好结果相当。对于不平衡医学数据尤为重要的指标（如 F1 分数、Matthews 相关系数和 ROC 曲线下面积）都接近理想值。同时，模型处理每个 ECG 片段仅需几毫秒，并使用相对适中的参数量，表明其未来有望运行在可穿戴设备或床旁监护仪上。作者指出，将方法扩展到更多类型的心律失常、处理更嘈杂的信号以及进一步降低计算复杂度，是下一步的关键工作。

对患者与医生意味着什么

对非专业读者来说，核心信息很简单：这项工作表明，设计得当的深度学习系统可以作为 ECG 数据的极其准确的“第二双眼”。通过自动区分危险的不规则节律与心力衰竭征兆并近实时地执行，这类工具可以更早提醒临床医师、支持家庭连续监测，降低沉默但严重问题被忽视的概率。尽管仍需在更广泛的真实世界场景中进一步验证，研究指向了这样一个未来：高级算法在后台悄然扫描我们的心跳，为患者和医生提供更早的预警与更大的安心感。

引用: Manivannan, G.S., Talawar, S.V., Vasundhara, M.G. et al. An efficient deep CNN based BiLSTM framework with RanA optimization for accurate cardiac arrhythmia detection. Sci Rep 16, 7156 (2026). https://doi.org/10.1038/s41598-026-38227-x

关键词: 心律失常, 心电图, 深度学习, 房颤, 心力衰竭