一种结合 CNN-Bi-LSTM-Transformer 架构并采用 SHAP 解释的多标签 12 导联心电图心律失常检测方法

为何心律筛查与每个人息息相关

心律问题，即心律失常，是导致猝死的主要原因之一，但用于发现它们的主要检查——12 导联心电图（ECG）仍高度依赖于时间紧迫的人类专家。本研究提出了一种人工智能系统，能够一次性扫描标准心电图以识别多种心律问题，用医生易于理解的方式解释其发现，并且运行速度足够快，可嵌入可穿戴设备或远程医疗平台。对患者而言，这可能意味着更早发现危险性心律；对临床医生而言，它有望成为一名不知疲倦的助手，不仅会标注异常，还能说明原因。

用多只“耳朵”聆听心脏

12 导联心电图通过胸部和四肢上的电极从多个视角记录心脏的电活动。每次心跳都会产生一系列特征波形，揭示电信号在心腔间的传导方式。这些波形中的微小畸变可能提示从无害变异到危及生命的传导异常。要在多导联和长时程记录中解读这些细微变化非常费力，不同专家之间的读片结果也可能存在差异。与此同时，现代医疗越来越依赖医院、家庭和可穿戴设备的持续监测，产生的数据量远超临床医生肉眼可现实审阅的范围。

教数字助手读懂复杂的心脏信号

研究团队构建了一个深度学习模型，以原始的 12 导联心电图片段为输入，学习识别 27 种临床重要的心律及传导问题。首先，他们对来自大型 PhysioNet/Computing in Cardiology 2020 数据集中超过 43,000 条专家标注记录进行了预处理。不同医院的信号采样率不一，并包含噪声、缺失值和偶发异常。团队将所有心电图重采样到统一频率，去除基线漂移与电干扰，按统计合理的规则填补缺失，并将数据分割为重叠的 4 秒窗口。该窗口长度被证明既足以捕捉关键节律模式，又足够短小以实现实时高效分析。

分层模型如何同时感知空间、时间与上下文

系统的核心是一系列互补的神经网络模块。卷积层充当模式检测器，扫描每条导联以识别尖锐波峰、增宽的波群或畸形片段等形状。随后，双向长短期记忆（Bi-LSTM）层跟踪这些特征随时间的演变，有效地同时从前向和后向观察节律，以捕捉不规则间期和心拍间的过渡。最后，Transformer 块应用注意力机制，能够在所有导联间聚焦于相距较远但相关的信号片段，发现可能表明重叠病理的关联。三者合力将每个短时 ECG 窗口转换为紧凑的表征，网络据此以多标签方式评估 27 类心律与传导问题的存在性。

用有意义的高亮打开黑箱

为了使系统的决策可理解，作者引入了一种称为 SHAP 的技术，用以计算心电图各部分对特定预测的贡献度。训练完成后，他们使用 SHAP 生成可视化的“重要性图”，高亮模型在每个案例中依赖的特定波段和导联。这些图谱往往与标准心脏病学的推理相符：例如，在识别房颤时，系统强调了 P 波消失与不规则心搏间期；在识别室性早搏时，则突出增宽的 QRS 波群和代偿性停顿。这种一致性表明 AI 并非简单记忆模式，而是关注人类专家所使用的相同生理线索。

现实世界表现与未来前景

在独立的测试人群中，该模型对心律的总体分类准确率约为 91%，并在常见与罕见病种中在捕获真实问题与避免误报之间保持了良好平衡。对于诸如室性早搏和房颤等危险心律，其区分异常与正常的能力非常高。值得注意的是，完整模型占用内存不到两兆字节，分析一个 ECG 窗口所需时间少于十毫秒，使其适合部署于床旁监护仪、动态记录器甚至智能可穿戴设备。简而言之，这项工作表明，一个小型且可解释的 AI 能帮助读取标准心电图，覆盖广泛的心律问题，为临床医生提供清晰的可视化理由，并为更安全、更便捷的心脏监测铺平道路。

引用: Al-Bairmani, M.T., Yazdchi, M. & Nasimi, F. A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs. Sci Rep 16, 11123 (2026). https://doi.org/10.1038/s41598-026-40925-5

关键词: 心电图, 心律失常, 深度学习, 可解释性人工智能, 心脏监测