信任融合:一种用于医疗物联网中心电图异常检测的加权多视角框架
《Biomedical Signal Processing and Control》:Trust fusion: a weighted multi-perspective framework for ECG anomaly detection in IoMT
【字体:
大
中
小
】
时间:2026年10月14日
来源:Biomedical Signal Processing and Control 5.7
编辑推荐:
摘要 在医疗物联网(IoMT)环境中,连续心电图(ECG)监测面临精确性与敏感性之间的根本性权衡。基于独立重建的检测器具有较高的特异性但会遗漏细微异常,而几何检测器能捕获罕见模式却会产生过多的误报。本文提出了一种混合信任融合框架,通过线性加权融合长短期记忆自编码器(LSTM-
摘要 在医疗物联网(IoMT)环境中,连续心电图(ECG)监测面临精确性与敏感性之间的根本性权衡。基于独立重建的检测器具有较高的特异性但会遗漏细微异常,而几何检测器能捕获罕见模式却会产生过多的误报。本文提出了一种混合信任融合框架,通过线性加权融合长短期记忆自编码器(LSTM-Autoencoder)、6频带孤立森林(Isolation Forest)和Z分数统计验证来解决这一权衡问题,并辅以具有临床动机的无标签自适应恢复机制,该机制将最接近决策边界的边缘漏检心律失常重新分类。在MIT-BIH心律失常数据库上,采用严格的患者间协议(25条训练记录、10名留出测试患者、406,210个窗口)进行评估,该方法达到了93.56%的准确率、86.96%的敏感性、96.15%的特异性、89.86%的精确率、88.39%的F1分数以及0.9640的AUC-ROC,与独立LSTM-AE基线相比,漏检心律失常减少了74.5%,同时保持了临床可接受的3.85%误报率。核心检测器在无标注数据的情况下进行训练;仅阈值校准和恢复配置使用少量验证子集离线操作。在计算方面,该框架每窗口运行时间为7.93毫秒,吞吐量为3,697窗口/秒,模型大小仅为350-400 KB,非常适合资源受限的实时IoMT部署。
引言 心血管疾病仍然是全球健康的主要负担,在全球范围内占据了发病率和死亡率的重要比例。因此,早期发现心脏异常并持续可靠地监测心脏活动对于早期诊断和及时临床干预至关重要。在此背景下,智能医疗系统作为一种变革性范式应运而生,通过整合可穿戴传感器、医疗物联网(IoMT)设备和智能数据分析,实现主动、个性化和远程医疗服务[1]。
心电图(ECG)信号在智能医疗中发挥着核心作用,得益于其无创特性以及捕获心脏功能丰富时间和形态信息的能力。可穿戴ECG传感器和远程监测平台的广泛采用,使得在非传统临床环境下持续大规模收集ECG数据成为可能[2]。这种从间歇性、医院为中心的监测向持续性、真实世界数据采集的转变,显著改善了慢性心血管疾病患者、老年人群以及偏远或服务不足地区个体的医疗可及性。
尽管取得了这些进展,在现实环境中确保ECG信号的可靠解释仍然是一个重大挑战。与在受控临床环境中获取的ECG信号不同,动态心电图记录极易受到运动伪影、电极错位、肌肉噪声和电磁干扰的影响[3]、[4]。此外,一个根本性的挑战源于ECG本身的生理特性:内在的心脏肌源活动可能在频谱和时间上与运动引起的肌电图伪影重叠,使得在真正的病理模式与噪声引起的失真之间进行可靠分离变得极具挑战性。这些非心脏干扰可以产生在形态上类似于真实病理事件的信号失真,从而损害自动ECG分析的鲁棒性。此外,连续监测系统必须以极低的延迟运行以实现快速临床响应,然而将大量原始ECG数据传送到云服务器进行集中分析会引入不可忽视的延迟、带宽开销和隐私风险[5]。
另一个挑战源于现实ECG监测中标注数据的稀缺性。手动标注ECG记录需要专业的心脏病学知识,耗时且无法扩展至跨多样患者群体的长期连续监测。因此,许多实际部署在标注数据稀疏甚至完全不可用的环境中运行,这与监督学习范式的假设形成了根本性的不匹配[6]、[7]。
近年来,深度学习在ECG分析任务中展现出了令人印象深刻的能力,卷积神经网络和循环神经网络架构在建模心脏信号中的复杂时间和形态模式方面表现出了强大能力。然而,大多数这些方法都是在监督学习范式下构建的,严重依赖于大规模、精心标注的数据集和预定义的类别定义[8]。此类监督框架在现实IoMT环境中面临三个关键局限性:(i) 对标注数据的依赖限制了向新患者和新记录条件的可扩展性;(ii) 封闭集分类无法检测到先前未见过的异常类型;(iii) 无法区分病理异常与噪声引起的失真,导致误报增加并降低了临床对自动监测系统的信任度[9]。
为克服监督方法的局限性,无监督异常检测方法——特别是基于自编码器的模型——受到了越来越多的关注。长短期记忆(LSTM)等循环架构因其能够捕获心脏时间序列信号中的长程时间依赖关系,非常适合ECG分析[10]。通过从无标注数据中学习正常ECG心律的内在结构,基于LSTM的自编码器可以通过重建误差的升高来识别可能指示异常心脏活动的偏差。然而,独立的重建方法面临一个固有的局限性:它们仅依赖重建误差的幅度作为决策标准,使得当噪声引起的失真产生高重建误差时容易产生误报,同时又会遗漏那些仅产生中等误差的微妙但真实的心律失常。这种根本性的精确性-敏感性权衡限制了它们在动态监测场景中的鲁棒性。
为克服这一权衡,我们提出了一种混合信任融合框架,通过线性加权融合机制整合三个互补的异常检测视角——时间视角(LSTM自编码器)、几何视角(孤立森林)和统计视角(Z分数验证)。LSTM自编码器学习正常心脏流形并计算重建误差作为时间异常指标。孤立森林现在在6频带重建误差(而非标量误差)上运行,以识别可能不会触发高重建误差的结构孤立模式。Z分数模块通过量化每个重建误差偏离训练正常均值的标准差倍数,提供轻量级统计验证。这三个异常指标使用指标特定归一化进行归一化——对每个指标应用基于百分位的比例缩放以确保跨检测器的鲁棒兼容性——并以经验优化的系数融合为连续风险分数。至关重要的是,无标签自适应恢复机制识别最接近决策阈值的边缘漏检心律失常,并根据满足双门共识标准(要求足够的连续支持分数和最低重建误差水平)的顶级合格候选者进行重新分类,恢复余量在验证集上校准,确保系统通过最小化漏检目标优先考虑患者安全,这对于IoMT应用至关重要。虽然核心检测器无需标签进行训练,但最终决策阈值、恢复余量、恢复比率和双门标准是使用少量带标签的验证子集离线校准的——这是一种务实的方法,在系统调试期间有有限标注记录可用的IoMT部署中是允许的。在实时推理期间,不访问真实标签;系统仅基于融合风险分数运行,在部署期间保留了底层异常检测流程的无标签特性。
综述的文献中提出了几种混合ECG异常检测方法(见附录A的综合分类法)。Nawaz和Ahmed[11]采用单检测器LSTM-AE配合百分位阈值,而Gracy和Pravin[12]将深度卷积自编码器与潜在空间上的多个监督分类器结合——两者都依赖单检测器或单视角架构。最近,Hassan[13]引入了监督CNN-EELM模型进行心律失常分类,达到了高准确率但需要预定义类别的标注数据。与这些方法相比,信任融合引入了四项关键创新,共同解决了单模态方法中固有的精确性-敏感性权衡:
i. 三种互补检测器的经验加权线性融合——LSTM-AE(时间)、孤立森林(几何)和Z分数(统计)——通过验证集上的网格搜索确定优化系数(α=0.75,β=0.02,γ=0.23)。这确保了每个检测器按照其经验可靠性成比例地贡献,而非通过简单平均或硬投票,分配给孤立森林的较小权重反映了其作为恢复阶段几何验证器的辅助角色。
ii. 孤立森林的每频带重建误差——不是基于标量重建误差操作,孤立森林接收表示每频带重建误差的6维特征向量。这确保孤立森林不再是标量误差的确定性函数,提供了真正互补的几何证据,并直接解决了基于标量的异常评分的局限性。
iii. 指标特定归一化——一种基于百分位的每个指标比例缩放机制,通过将每个异常指标映射到共同尺度来确保跨检测器的鲁棒兼容性,防止任何单个检测器因动态范围或分布特性差异而主导融合。
iv. 具有双门共识的无标签自适应恢复——一种临床驱动的机制,仅基于融合风险分数和双门标准(要求足够的连续支持和最低重建误差),重新分类顶级合格候选者——特别是那些最接近决策边界的(在校准余量内)——该机制在推理时不访问测试集标签,通过减少漏检心律失常而非报警频率来明确优先考虑患者安全。双门机制有效地用更鲁棒的共识策略取代了僵化的多检测器投票,在增强对边缘和噪声引起异常值的鲁棒性的同时,抑制了不可靠的单检测器预测。
与需要大量标注的监督方法不同,信任融合的核心检测器在半监督、无标签环境中运行,仅依赖少量验证子集进行离线阈值校准。这些区别确立了信任融合作为一个临床可行、鲁棒和多视角的框架,用于资源受限的IoMT环境中可靠的ECG异常检测。本研究的主要科学与工程贡献总结如下:
信任融合架构:开发和实现了一个完整的、资源受限的IoMT框架,统一了多视角异常证据(时间、6频带几何和统计),配合指标特定归一化和双门恢复。
精确性-敏感性权衡的算法解决方案:引入了无标签自适应恢复管道,通过恢复边缘漏检心律失常而不增加误报率,明确优先考虑患者安全。
在MIT-BIH上的严格实验验证:在严格的患者间协议下使用MIT-BIH心律失常数据库(25条训练记录和10名留出测试患者,跨越406,210个窗口)执行了全面的评估管道,同时进行了三种架构层级的计算复杂度和延迟分析、消融研究以及与最先进的无监督方法的严格比较。
本文其余部分组织如下。第2节综述ECG异常检测的最新进展。第3节详细阐述所提出的信任融合方法。第4节介绍实验设置、消融研究、与现有方法的比较以及计算复杂度和延迟分析。第5节讨论临床意义和局限性。第6节总结全文。
相关工作 本节综述了AI驱动的ECG异常检测的最新进展,重点关注适用于IoMT环境的方法。综述工作按检测范式(监督、无监督和自监督)组织,并沿架构方法、数据集、评估指标和临床相关性等关键维度进行评估。附录A提供了所有综述文献的综合分类法。特别关注识别方法的...
方法学 所提出的信任融合框架遵循多阶段管道,旨在将原始动态ECG信号转换为临床可操作的异常决策。如图1所示,该方法包括四个顺序阶段:(i) 连续ECG流的数据采集和鲁棒预处理,(ii) 时间窗口分割和归一化以保留形态完整性,(iii) 混合异常检测,结合深度重建学习(LSTM自编码器)...
实验结果与分析 所提出的ECG异常检测框架在本地工作站上实现和评估,以反映现实、资源受限的部署场景。所有实验都在一台配备四核Intel Core i7处理器(运行频率2.5 GHz,启用超线程技术)、16 GB DDR3内存和Intel Iris Pro集成图形的MacBook Pro(Retina,15英寸,2015年中款)上进行。该硬件配置代表了一个典型的非GPU计算环境,与...
讨论 前面各节中呈现的消融研究和对比评估为信任融合框架的有效性提供了全面证据。本节将关键发现综合为具有临床意义的见解,讨论设计中固有的权衡,并概述所提方法的优点和局限性。
结论 本研究提出了一种用于IoMT环境中ECG异常检测的混合信任融合框架,集成了基于LSTM的自编码器、6频带孤立森林、Z分数统计验证以及具有双门共识的无标签自适应恢复。在MIT-BIH心律失常数据库上,采用严格的患者间范式(25条训练记录、10名留出测试患者、406,210个窗口)进行评估,该框架达到了93.56%的准确率、86.96%的敏感性和88.39%的F1分数,...
资金声明 本研究基于伊朗国家科学基金会(INSF)资助的研究,项目编号4047209。
CRediT作者贡献声明 Venus Mohammadi:撰写初稿、验证、软件、方法学、形式化分析、概念化。
巴赫拉姆·萨德吉·比甘:写作 – 审阅与编辑,指导,项目管理。
利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系,这些利益或关系不会被认为会影响本文报告的工作。
维纳斯·穆罕默迪|巴赫拉姆·萨德吉·比甘
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号