Measurement（二区IF=5.5）| 基于形状自适应小波和BiLSTM网络的心律失常分类

瓴智医学AI

2025-09-29

导读：该方法为不同类型心搏（NORM、APC、PVC、LBBB、RBBB）构建匹配的小波基以提升特征提取能力，再通过BiLSTM建模ECG的时序依赖，实现高精度自动分类。

本文题为 《Classification of cardiac arrhythmias using ECG shape-adapted wavelets and BiLSTM network》，由 Beaudelaire Saha Tchinda、Daniel Tchiotsop 与 René Tchinda 撰写，作者均来自喀麦隆Dschang大学Fotso Victor University Institute of Technology 的 UR-AIA 与 UR-ISIE 研究团队。文章针对传统心电信号（ECG）心律失常诊断依赖人工判读、易出错且耗时的问题，提出了一种基于 形态自适应小波变换（Shape-adapted Wavelet Transform） 与 双向长短时记忆网络（BiLSTM） 的新方法。该方法为不同类型心搏（NORM、APC、PVC、LBBB、RBBB）构建匹配的小波基以提升特征提取能力，再通过BiLSTM建模ECG的时序依赖，实现高精度自动分类。在MIT-BIH数据库上验证，该模型取得了 99.75%的准确率，显著优于多种现有方法，并具备低计算复杂度和实时性优势，适合在临床和可穿戴设备中推广应用。

01 摘要

心律失常是一种心脏疾病，是心脏节律的问题。从心电图（ECG）信号手动诊断心律失常是耗时的，导致对自动化的重要研究。然而，由于ECG信号的非平稳性质，心律失常检测仍然具有挑战性。在本文中，我们提出了一种基于模式自适应小波变换和双向长短期记忆（BiLSTM）的ECG心律失常分类新方法从属于五种心跳类型（例如正常心跳、房性早搏、室性早搏、左束分支阻滞心跳和右束分支阻滞心跳）的ECG信号的样本中，通过使用约束最小二乘优化对给定ECG心跳信号进行近似，获得五个新的小波，从而得到非常适合于模式检测的最佳小波。然后使用五个新小波中的每一个来执行信号的连续小波变换。对于每个ECG心跳，提取了10个特征向量。这些特征作为深度BiLSTM网络的输入，将每个ECG心跳分类到相应的类别中。我们评估了对MIT-BIH心律失常数据库中的ECG信号进行了10倍交叉验证，结果表明，该系统的平均分类准确率为99.75%，灵敏度为99.38%，特异度为99.85%，精确度为99.38%，F1得分为99.38%，这些结果表明所提出的方法优于许多现有的方法。

02 研究背景

心律失常（Arrhythmia）是一类常见且危害严重的心血管疾病，其特征是心脏电活动节律异常，若不能及时识别和干预，会显著增加心血管事件及死亡风险。心电图（Electrocardiogram, ECG）作为一种非侵入性、低成本、临床常用的检查手段，长期以来一直是诊断心律失常的重要工具。然而，传统的心律失常诊断主要依赖心电信号人工判读，不仅耗时耗力，而且极易受到医生经验、注意力和长时间监测带来的限制，导致漏诊和误诊问题。

随着心电监测设备（如Holter监测）的普及和大数据积累，亟需自动化、智能化的ECG信号分析方法来提升心律失常筛查效率与准确性。近年来，机器学习和深度学习方法广泛应用于心电信号的处理与分类任务，尤其是卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）等结构，在特征提取和时序建模方面展现出优势。然而，受制于心电信号的非平稳性、多样性以及数据不均衡问题，现有方法在实际临床应用中仍存在一定局限。

因此，本研究提出结合 形态自适应小波变换（shape-adapted wavelets） 与 双向长短时记忆网络（BiLSTM） 的方法，以提升特征提取的针对性与分类精度，同时降低计算复杂度，使模型更适合实时临床部署。

03 模型设计

本文提出的心律失常分类模型融合了 形态自适应小波变换（Shape-adapted Wavelet Transform, SAWT） 与 双向长短时记忆网络（BiLSTM） 两个核心组件：

图1 建议方法的概要图

预处理与分割

ECG信号经带通滤波器（0.1–100 Hz）去除高频干扰和基线漂移。
使用 Pan–Tompkins算法 检测R波，并进行心搏分割。

形态自适应小波构建

针对不同类型心搏（正常搏NORM、房性早搏APC、室性早搏PVC、左束支传导阻滞LBBB、右束支传导阻滞RBBB），利用 约束最小二乘优化 生成专用小波，使其形态与目标心搏信号匹配，从而提升时频分析精度。
连续小波变换（CWT）公式：

每个心搏采用五类自适应小波，计算两个尺度的CWT，得到 10个特征。

3.BiLSTM分类器

输入层：10维序列特征。
BiLSTM层：130个隐藏单元。
Dropout层：防止过拟合，丢弃率0.3。
全连接层：输出5个类别。
Softmax层：概率归一化。
输出层：最终分类结果。

该结构利用BiLSTM双向处理能力（前向+后向），增强了时序依赖建模能力，对复杂心律失常模式识别更敏感。

04 实验设置

数据来源

使用 MIT-BIH Arrhythmia Database。
选取 5类心搏：NORM、APC、PVC、LBBB、RBBB。
每类2525个样本，总计 12,625个心搏。
数据划分：70%训练，10%验证，20%测试。

表1 ECG数据来自MIT-BIH心律失常数据库

实验环境

MATLAB 环境，Intel i7 11th Gen CPU，16 GB RAM。

训练参数

批大小：27
学习率：0.0005
迭代次数：15
梯度阈值：1

验证方法

10折交叉验证，检验模型鲁棒性。
评价指标：准确率（Acc）、灵敏度（Se）、特异度（Sp）、精确率（Pre）、F1分数（F1）。

05 结果分析

整体性能
表现优于多数已有方法，证明了自适应小波+BiLSTM的优势。

平均准确率（Acc）：99.75%
灵敏度（Se）：99.38%
特异度（Sp）：99.85%
精确率（Pre）：99.38%
F1分数（F1）：99.38%

表2 获得的业绩指标

各类别表现（示例）

正常搏（NORM）：准确率 99.96%，F1 99.89%
房性早搏（APC）：准确率 99.96%，F1 99.89%
PVC、LBBB、RBBB 的精度均保持在 99.5%以上。

交叉验证稳定性

各折结果标准差极小（Acc ±0.08, Se ±0.21），说明模型泛化能力强。

表3 使用10折交叉验证的建议模型的10个分类结果

消融实验（Ablation Study）

去掉特征提取 → 准确率下降至 98.71%。
替换自适应小波 → 使用Morlet、Morse、Bump小波时性能下降明显，其中Bump小波最差，Acc仅 92.54%。
说明 自适应小波 + BiLSTM 的组合对性能提升至关重要。

计算效率

模型参数量：147,945（约578 KB）。
单次推理运算量：35.17M FLOPs，在Raspberry Pi 4上延迟仅 35 ms，远快于传统2D CNN方法（延迟约6.7秒）。
适用于 实时临床部署。

图2 对于每一类心跳（第一列），对应的小波变换（第二列）在两个尺度上示出，对于五个自适应小波中的每一个和组合的一个，从上到下列出

06 结论

本研究提出了一种结合 形态自适应小波变换（Shape-adapted Wavelet Transform, SAWT） 与 双向长短时记忆网络（BiLSTM） 的心律失常自动分类方法。通过为不同心搏类型构建自适应小波并提取针对性特征，再利用BiLSTM建模心电信号的时序依赖关系，模型在MIT-BIH心律失常数据库上取得了优异表现：平均准确率99.75%，灵敏度99.38%，特异度99.85%，精确率99.38%，F1分数99.38%。与现有CNN、LSTM及混合模型相比，该方法在精度、鲁棒性和实时性方面均表现突出。

此外，模型规模小、计算开销低，在Raspberry Pi 4等嵌入式设备上实现实时推理仅需35 ms，充分证明了其在临床和可穿戴设备中的应用潜力。未来的研究将扩展至多导联、长时程和低质量ECG数据，并探索在更大规模数据库上的泛化能力。

07 论文评价

✅方法创新亮点