使用VMD和多任务优化的自动化多类心电图心律失常检测

这对日常心脏健康意味着什么

心律问题可能无声、突发且危险，但首个警示信号往往是一张普通的心电图。该研究探讨了计算机如何快速读取这些心脏电信号以同时识别多种严重的心律紊乱，旨在为医生提供更快、更可靠的决策支持。

将心跳视为一种信号

心电图（ECG）记录了让心脏规律收缩的微弱电脉冲。在健康个体中，这些波形呈现规则形态，而在房颤、室颤和室速等情况下，波形会变得不规则、过快或混乱。人工目视读取这些节律既耗时又易出错，尤其需要检查成千上万个心搏时。自动化分析可将每次心跳转化为计算机可比较和分类的数字特征，从而提供帮助。

把混乱波形变成有意义的模式

研究人员构建了一个逐步处理流程，始于来自若干知名公共数据库的原始心电记录。首先，对信号进行清理以去除噪声和伪迹，只保留真实的心脏活动。接着，使用一种数学方法将每条心电信号分解为若干更简单的成分，分离低频和高频内容。从这些成分中，系统测量大量属性，例如波形的能量、规则性或偏度。这些数值描述捕捉到肉眼难以察觉的微妙差异，有助于区分正常心律与危险的心律失常。

让算法挑选真正重要的特征

由于每次心跳可提取数百个测量值，并非所有测量都同等有用。过多输入会拖慢程序并可能混淆学习算法。为此，作者采用了一种受群体行为启发的搜索方法，类似一群虚拟鸟群共同探索不同特征组合。该方法在保持高准确性的同时剔除不必要的测量。经此搜索后，原始特征约有三分之二被删减，仅保留约三分之一，形成更紧凑的心跳描述，便于计算机更快、更高效地处理。

对多种学习模型进行检验

使用这些精简特征，研究团队训练并评估了多种先进的机器学习模型。其中包括构建并组合众多决策规则的树模型，以及专注于难以分类样本的提升方法。研究比较了特征选择前后模型的表现，不仅考察总体准确率，还关注每类心律被正确识别的频率。经优化后，若干模型在运行时间大幅缩短的同时达到约99%的准确率。混淆矩阵和受试者工作特征曲线进一步证实了该系统在四类心律上的稳健表现。

这对未来心脏护理的意义

简而言之，研究表明：对心电信号进行谨慎清理、将其分解为有意义的成分，并让智能搜索方法挑选最佳测量值，能让计算机对心律问题具备很高的识别能力。尽管仍需在更广泛多样的患者群体中进一步验证，该方法有望成为快速自动筛查工具的基础，自动标记危险心律以便医生将注意力集中在最需要的地方。

引用: Krishna, Y.M., Vasavi, K.P., Chaitanya, M.K. et al. Automated multi-class ECG arrhythmia detection using VMD and multi-task optimization. Sci Rep 16, 15435 (2026). https://doi.org/10.1038/s41598-026-44103-5

关键词: 心电图, 心律失常, 机器学习, 特征选择, 心律