心电图AI分类:时序模型识别心律失常

做人体信号采集的同行，多半都碰过心电。把电极贴上胸口，采到的就是一条随电压起伏的曲线，横轴是时间，纵轴是毫伏。它没有图像里那种空间结构，从头到尾就是一条一维时序信号。

也正因为简单，它特别适合拿来讲时序AI。这条曲线上的每一次起伏，都对应心脏一次电活动的传导过程，而判断它正不正常，靠的就是这些起伏的先后顺序、形状和间隔。

P波、QRS波群、T波：分类的依据在时域里

一次正常心拍，可以拆成三段典型波形。

P波幅度小、圆钝，代表心房去极化；紧接着是一串又窄又高的QRS波群，代表心室去极化，是整个波形里最容易识别的标志；后面跟着一个宽而缓的T波，代表心室复极。

真正决定诊断的，往往不是单个波好不好看，而是波与波之间的间期：P波到QRS之间隔多久，两个相邻R波之间隔多久，QRS本身有多宽。这些间期一旦规律被打乱——R-R间期忽快忽慢、P波消失、QRS提前出现——心律失常的线索就露出来了。

所以心电分类本质上是时域分析问题：看形态，也看节律。

分类之前：滤波、R波定位、心拍分割

原始心电信号不能直接喂给模型。它身上挂着好几层干扰：工频干扰、基线漂移、肌电噪声、电极接触带来的伪迹。

常规做法是先做带通滤波，把有效频带留下，把漂移和高频噪声压掉。滤波之后做R波定位，找出每个心拍那个最陡的尖峰位置——这通常用差分、平方、滑动积分再配阈值判断这类方法就能稳定实现。

一旦R波位置确定，就可以围绕它切出一段固定时长的窗口，把连续的心电流切成一拍一拍的样本，这一步叫心拍分割。

这一步做得好不好，几乎决定了后面的上限。R波漏检或者错检，模型拿到的就是错位、残缺的心拍，再好的网络也救不回来。分割还牵扯到一个细节：切多长、以R波为准往前留多少，会直接影响模型能不能看到完整的P波和T波。

用LSTM、一维卷积、Transformer建模节律与形态

切好心拍之后，模型的任务是把它映射到类别上：正常、房颤、室性早搏，诸如此类。

常见有三条技术路线。

一是LSTM这类循环网络。它按时间步依次读入采样点，把前面的信息通过内部状态带到后面，天然适合刻画R-R间期这种长程的节律依赖。

二是一维卷积网络。卷积核直接在时间轴上滑动，提取局部的上升沿、尖峰、波形轮廓，参数量小、推理快，工程上很好落地。堆叠层数以后同样能覆盖较大的感受野。

三是Transformer。它用自注意力机制，让序列上任意两个位置直接建立联系，不依赖逐步传递，建模长时依赖更直接，代价是计算量和数据需求都更高。

实际工程里也常见混合结构，比如卷积先提局部形态，再交给循环或注意力模块管节律。选哪条路线，更多是看算力预算和可用的标注数据量。

类别不均衡：不能只看准确率

心电数据有个绕不开的问题：正常心拍占绝大多数，房颤、室早这类异常样本少得多。

如果直接拿这种数据训练，模型会发现"全部猜正常"就能拿到很高的准确率，但临床上恰恰是漏掉的那几个异常最要紧。

常见的缓解手段有几类：重采样，把少数类复制或过采样、多数类欠采样；加权损失，让少数类分错时付出的代价更大；数据增强，对现有心拍做轻微的时间缩放、幅度扰动、加噪，扩充少数类的形态多样性。

评价指标也要换。除了准确率，更该看敏感度、特异度和召回率，尤其是在异常类上的表现。

从读图到预警：可穿戴端的取舍

心电AI最有想象力的落点，是可穿戴设备。

长时程监测意味着数据量巨大，而传统流程是先把几小时甚至几天的记录存下来，再由医生回看，工作量大、极易疲劳漏诊。算法直接跑在信号流上，就能把"事后读图"变成"实时预警"。

但端侧有一组硬约束：算力有限、内存有限、电池有限。所以模型必须做轻量化——减少通道数、缩小卷积核、控制时序长度，或者用剪枝、量化把模型压到能实时跑的程度。前面提到的一维卷积之所以在可穿戴心电里常见，正是因为它在这组约束下比较平衡。

还有一层是隐私。心电属于敏感生理数据，能在本地完成推理、只上传结论或异常片段，比把原始波形全量上云要稳妥得多。

写在最后

心电分类这件事，AI没有改变问题的本质：它仍然是在一维时间轴上，看波形形态、看间期关系，判断节律有没有乱。

AI改变的是处理方式。把滤波、R波定位、心拍分割这些预处理做扎实，选一个匹配算力的时序模型，再用重采样和加权损失把类别不均衡摆平，算法才能从论文里的高分，走到设备上真正可用的一拍一判。

One More Thing…

朗锐传感专注于智能传感、称重仪表、料塔称重、气体传感模组、高速高精度数据采集、工业测控应用、振动监测等自动化技术应用。提供专业硬件定制化服务，帮助客户项目快速实现快速盈利。