引言

心血管疾病（Cardiovascular Disease，CVD）可能引發多種心臟問題，包括心臟病、心力衰竭、中風和動脈粥樣硬化。為了預防和監測這些疾病，心電圖（Electrocardiogram，ECG）常被作為重要的臨床手段。通過在特定位置放置電極，ECG能夠測量心臟活動過程中產生的微弱電信號，從而評估心臟的健康狀況。這些微弱的電信號提供了關于心臟狀況和個人總體健康狀況的重要信息。心電圖也因為其操作便捷和無創性的優點，成為了診斷和監測心臟問題的重要工具[1-3]。

隨著人們對心臟健康意識的提高，越來越多的人使用便攜式心電監測設備來監測自己的心臟活動。許多日常心電圖監測系統（如智能手表等）為了提高設備便攜性而減少電極數量。然而，與臨床設備使用的12導聯心電信號相比，這些設備因為電極數量的減少，無法提供心臟活動的完整視圖，而不完整的12導聯心電信號不足以作為臨床診斷或長期監測的依據[4]。為了使電極數量有限的心電監測設備也能夠捕獲完整的12導聯心電信號，就必須解決從少數導聯心電信號中重構12導聯心電信號的問題。通過這種方法，即使設備電極有限，仍然可以通過這些設備獲取完整的12導聯心電信號并為長期監測和臨床診斷提供完整的心臟信息。

通過文獻調研發現，心電信號重構方法大致可以分為基于神經網絡和基于非神經網絡兩類。基于非神經網絡的方法[5-8]在生成長度較短的12導聯心電信號時，有較高的重構精度。然而，這類方法的重構精度容易受到測量過程中噪聲的影響，并且隨著心電信號長度的增加，重構精度也有下降的趨勢。此外，還有許多基于神經網絡的12導聯心電信號重構算法[9-16]。Garg等人使用了改進的U-Net從II導聯心電信號重構出剩余的11導聯心電信號[16]。然而，心電信號是一種經典的時間序列信號，信號前后部分具有一定的時間相關性，這些僅使用U-Net的方法在處理具有長期依賴關系的時間序列信號時可能會遇到梯度消失和爆炸問題，從而限制了重構的12導聯心電信號的精度。最近的一篇論文利用生成對抗網絡（Generative Adversarial Network，GAN）模型來重構12導聯心電信號[13]。因為GAN模型可以很好地擬合心電信號中的非線性關系，從而提高了不同類型心電信號的重構精度，且無需單獨訓練每個導聯心電信號。在以往基于GAN模型的工作中，如Yoon等人的工作[13]，由于模型處理信號前后依賴關系的能力有限，因此將心電信號重構過程分為了兩個步驟，在第一個步驟中重構出小段的心電信號，然后在第二個步驟下將這些信號組合在一起，最后得到完整的12導聯心電信號。Kapfo等人則將長短期記憶網絡（Long Short-Term Memory，LSTM）用于心電信號重構任務[14]。LSTM能夠捕獲心電信號的時間特征、模式和擴展關系。但由于LSTM對不同導聯間心電信號的空間相似性處理能力較弱，通常需要輸入多個導聯的心電信號才能獲得完整的12導聯心電圖輸出，因此Kapfo等人提出的模型使用導聯I、II和V2作為原始導聯。但許多用于遠程長期心電監護設備大多只能提供一個導聯的信號作為模型的輸入[4]，所以Kapfo等人的模型難以應用于單一導聯的監護設備。

為了在有限的資源下提高重構完整的12導聯心電信號的精度，本文提出了一種以GAN網絡結構為基礎，采用Transformer和U-Net的混合結構作為生成器，通過判別器來區分生成器重構的心電信號和真實的心電信號的模型。本研究主要的貢獻如下，本模型可以同時生成所有12導聯的完整信號，而不是先生成小段的心電信號再將其組合成完整的12導聯心電信號，提高了重構效率，簡化了信號生成過程。與同類生成算法相比，本研究提出的模型具有較高的重構精度，在12導聯心電信號重構應用中表現出了優異的性能和有效性。

本文首先介紹了本研究中使用的模型結構和ECG數據集，并詳細描述了每個模塊的功能。此外，還提供了評估指標、訓練環境及訓練過程中使用的具體參數設置。然后通過PTB-XL數據集和紹興人民醫院數據集驗證了模型的準確性，并使用心電信號分類模型評估生成的心電信號的分類性能。

本文詳細內容請下載：

http://m.jysgc.com/resource/share/2000006388

作者信息：

曾超權1，2，駱煒2，3，王森林2，3，戴玲鳳2，3，陳豪2，3

（1.福州大學 先進制造學院，福建 泉州 362251；

2.中國科學院福建物質結構研究所，福建 福州 350108；

3.福建省復雜動力系統智能識別與控制重點實驗室，福建 泉州 362200）