深圳商报2019年7月22日讯 （记者袁斯茹文/图）根据世界卫生组织（WHO）统计，每年全球约1800万人死于心脑血管疾病，占死亡总数的31%，其中绝大多数的急性心血管事件发生在医院外。因此，心血管事件的医院外预警十分关键。近日，深圳先进院数字所李烨研究员团队，提出了一种基于时空特征融合的深度神经网络。团队成员王如心、姚启航在接受深圳商报记者采访时表示，不同于传统方法，使用这种算法，除了考虑心电信号的时间特征，还加入了不同导联的空间信息，“也就是除心脏活动外，同时结合身体其他部位的信号，使得分析结果更全面。”王如心说。
为什么需要可穿戴心电
通过可穿戴心电信号的自动监测来分析心律失常，是近年来研究的热点方向。
据悉，普通心电图检查只能记录当前一段短时间内的心电活动，“心脏异常情况的发生，特别是急性事件，往往是阵发性的、一过性的、偶发性的。针对术后以及心血管疾病高危人群，通过可穿戴设备进行全程连续24小时甚至更长时间的监测，有助于分析信号的节律变化，捕获到心脏的阵发、异常状况并作出及时的预警。”王如心告诉记者。因此，通过可穿戴心电信号的自动监测分析，对急性心血管事件的早期预防和诊断具有重要意义。
传统分析方法在处理可穿戴信号时，通常以特征点检测为基础进行分析，其缺点是易受噪声和人体行为的干扰，分析精度低。
李烨团队此次提出的基于时空特征融合的深度网络架构，有效提取了信号的空间和时间特征。该算法可集成在可穿戴设备芯片中，通过智能分析，采集到多导联心电信号。
关联“时空”的算法
王如心告诉记者，传统方法是从时间维度分析心电信号，比如能得到从这一秒到下一秒的心率变化，以及一些节律特征。而此次团队提出的算法，创新点在于加入了多导联心电信号的空间相关性，通过人工智能方法直接分析处理信号。“心电信号的变化，不止反映在信号的时间维度上，其他体表位置采集到相关导联的信号，彼此在空间上的变化都是互相关联的。我们把空间信息补充在时间维度上，实现互补，得到的检测结果也更准确。”王如心告诉记者。
此外，研究人员进一步在网络架构中引入注意力机制，对分段信号的重要性进行自适应评估，有效提高了模型对异常状态的感知，降低了其他信息的干扰。上述方法实现了以房颤、传导阻滞、早搏等为代表的9类心律失常疾病的有效判别，在2018中国生理信号挑战赛公开的9831条心电信号上（约609522个心搏），心律失常识别精度达到82.6%。
这套算法未来可以面向医疗级可穿戴设备，在云端就可以将收集的用户心电数据进行处理分析，实时反馈异常，并以此为基础给出诊断报告；方便进行院外心脏类疾病的筛查，以及医生对患者术后康复效果评估、用药效果评估及随访等。
据悉，这项成果发表在计算机人工智能顶级期刊Information Fusion上，该期刊是计算机科学人工智能领域影响力最高的三个研究性期刊之一。而论文的第一作者姚启航目前还是一名本科生。