在人体的 “生命发动机”—— 心脏的跳动旋律中，一旦出现不和谐的 “音符”，心律失常便悄然来袭。近年来，心律失常导致的死亡率不断攀升，成为威胁人类健康的一大 “杀手”。传统的心律失常诊断依赖心电图（ECG），由心脏病专家和临床专家人工分析，不仅耗时费力，还容易出现人为误差。随着人工智能和机器学习技术的兴起，将其应用于心律失常诊断成为研究热点，但现有研究仍存在不足，如部分研究仅采用传统算法，对特征工程重视不够等。
为了攻克这些难题，来自孟加拉国多所高校（Ahsanullah University of Science and Technology、Military Institute of Science and Technology、United International University）以及澳大利亚 Deakin University 的研究人员展开了深入研究。他们的研究成果发表在《BMC Cardiovascular Disorders》上，为心律失常的诊断带来了新的曙光。
研究人员采用了多种关键技术方法。首先，从 PhysioNet 获取 MIT-BIH 心律失常数据库，该数据库包含 48 个半小时的 2 通道动态心电图记录，来自 47 名患者，且经过专业标注 。然后，进行数据预处理，运用合成少数过采样技术（SMOTE）解决数据不平衡问题，并添加高斯噪声增强模型的抗噪性。接着，利用普通最小二乘法（OLS）确定重要特征数量，通过主成分分析（PCA）、卡方检验（Chi-Square）和递归特征消除（RFE）这三种特征工程技术筛选出不同数量（50、65、80、95）的重要特征。最后，基于 Python 的 Scikit-learn 工具在 Kaggle 平台上开发模型，包括传统机器学习模型（支持向量机 SVM、K 近邻 KNN、逻辑回归 LR、决策树 DT、多层感知器 MLP ）、Bagging 分类器（随机森林）、Boosting 分类器（Adaboost、Gradient Boosting、eXtreme Gradient Boosting、Categorical Boosting）以及提出的堆叠分类器。
研究结果
- 模型性能对比：研究人员对不同模型在不同特征数量下的性能进行了全面评估，包括准确率、精确率、召回率和 F1 分数。结果显示，提出的堆叠分类器性能优于其他传统技术。在所有模型中，以 XGBoost 为元分类器，采用 PCA 特征工程技术筛选出 65 个特征训练的堆叠分类器表现最为出色，其准确率、精确率、召回率和 F1 分数分别达到了 99.58%、99.57%、99.58% 和 99.57% 。这表明该模型能够更准确地识别心律失常，大大提高了诊断的可靠性。
- 特征工程技术效果：通过对比不同特征工程技术对模型性能的影响，发现 PCA 技术在提取 65 个最有用特征用于训练模型方面表现最佳。以不同模型预测各类心律失常的 F1 分数为例，多数情况下，经 PCA 技术提取特征训练的模型 F1 分数更高。这说明 PCA 技术能够更有效地从大量特征中筛选出对模型训练最有价值的特征，提升模型的性能。
研究结论与讨论
本研究首次将传统、Bagging 和 Boosting 模型集成到堆叠分类器中，结合先进的特征工程技术，为心律失常诊断提供了一种全新的方法。与以往研究相比，该研究不仅在模型性能上有显著提升，还通过确定最佳特征数量，有效避免了维度诅咒、训练时间过长和内存需求过大等问题。研究结果表明，以 XGBoost 为元分类器、基于 PCA 筛选 65 个特征训练的堆叠分类器在心律失常诊断方面具有巨大潜力，有望改变目前心律失常诊断的现状。
这项研究为自动化医学诊断领域做出了重要贡献。其开发的堆叠分类器系统结合 XGBoost 和 PCA 驱动的特征工程，为心律失常的准确及时诊断提供了有力工具。早期准确诊断心律失常，能够让患者得到及时治疗，降低死亡率，同时该系统可扩展性强，能适应多种临床环境，具有很高的实用价值。
然而，该研究也存在一定的局限性。例如，未探索基于图像或信号处理技术的分类方法，仅基于 2D 数据进行心律失常分类，未研究迁移学习模型和可解释人工智能等。未来的研究可以从这些方面展开，进一步完善心律失常诊断技术，为人类健康事业做出更大的贡献。
生物通微信公众号
