使用由元启发式算法优化的混合模糊-CNN机器对心电图信号进行心脏疾病诊断与分类

为何更智能的心脏监测至关重要

心脏疾病仍然是全球首要的致死原因，心脏电节律的微小变化往往提供最早的警示。医生通过读取这些称为心电图（ECG/ECG）的电学痕迹来发现危险的异常搏动，但这些信号噪声多、结构复杂且持续不断。本文探讨了一种新的方法，旨在让计算机更像专家心脏病学家那样读取心电图，从而更加迅速且可靠地发现危及生命的节律问题。

从胸贴到数字化心跳

每次心电图始于贴在皮肤上的简单传感器，以采集心脏的电活动。由此得到的波形显示了心脏上下腔室随每次收缩与恢复的情况。波形形状和时序的细微变化可能指向截然不同的问题：有些相对无害，有些则与中风或猝死相关。然而心电图信号幅度小，易被运动和电噪声干扰，并且即便在健康人中也会发生变化，这使得可靠的自动分析变得困难。

为何某些异常搏动更具危险性

研究者聚焦于一项国际心律研究标准推荐的七种常见模式。这些类别包括正常搏动、起源于上腔室的早搏、起源于下腔室的早搏、传导阻滞、融合搏动（两种信号混合）、以及难以归类的搏动。来自下腔室的早搏与快速、混乱的节律高度相关，可能导致心脏停搏；而某些来自上腔室的早搏则提示未来中风风险。在众多正常搏动中准确识别这些高风险搏动，对于让自动系统帮助医生做出及时决策至关重要。

将心跳变成图像以便计算机“看见”

团队并非直接将原始波形喂入程序，而是先对心电图信号进行去噪，消除缓慢漂移和工频干扰。随后他们使用一种受野马群体行为启发的搜索策略，寻找每位受试者心跳中最规律重复的片段。利用该定制化的时序，每段短的ECG通过数学方式闭环并绘制为二维图像。这些图像保留了每次搏动的关键形态，同时平滑了噪声和随机偏移。与此同时，传统的时序特征（如搏动间隔和关键区间时长）也被测量，提供了心律的第二类更传统的视角。

用于节律识别的混合“大脑”

为了解读这些增强后的信号，作者构建了一个混合模型，融合了两种思路。首先，深度图像网络对ECG图像进行多层扫描，学习识别与各类节律相关的细微视觉模式。其次，模糊逻辑层采用温和的“若...则...”规则而非二元是非判断，将图像网络学到的信息与时序特征结合起来。另一种受动物行为启发的搜索策略——模拟美洲狮捕猎——用于联合微调网络权重和模糊规则设置，而不是依赖容易陷入局部最优的标准逐步调整方法。

系统的表现如何

该模型在一个知名的公开心电图数据库上进行训练与测试，该数据库包含来自47名受试者的专家标注搏动，然后在另一个长期数据集上进行验证以评估泛化能力。在主数据库上，模型在七个类别中几乎正确分类了所有搏动，总体准确率为99.71%。尤其重要的是，其对最危险类别——来自下腔室和上腔室的早搏——的敏感性相比近期竞品有所提高。详细的统计检验显示，模型用于决策的特征符合已知的医学标志，例如搏动间距和恢复时间的变化。

这对患者和临床医生意味着什么

简单来说，这项工作表明，将心电图信号重构为图像并与基于规则的推理结合，可以帮助计算机以非常高的可靠性区分危险与无害的心律。虽然它不能替代心脏病专家，但此类系统可为更智能的床旁监护、可穿戴设备或远程医疗工具提供基础，实时标记令人担忧的模式，令人类专家能将注意力集中在最紧急的病例上。

引用: Davani, M., Taghizadeh, M., Pirbonyeh, M.A. et al. Heart disease diagnosis and categorization from ECG signals using hybrid Fuzzy-CNN machine optimized by meta-heuristic algorithms. Sci Rep 16, 16001 (2026). https://doi.org/10.1038/s41598-026-43637-y

关键词: 心电图 心律失常, 心律, 深度学习, 模糊逻辑, 医疗人工智能