摘要
在时间序列分析中，时间序列模体和时间序列中的顺序模式可以揭示一般的时间模式和动态特征。三元模体场（Triadic Motif Field, TMF）是一种基于三元时间序列模体的简单而有效的时间序列图像编码方法。心电图（Electrocardiography, ECG）信号是广泛用于诊断各种心脏异常的时间序列数据。TMF 图像包含正常和心房颤动（Atrial Fibrillation, AF）ECG 信号的特征。考虑到 ECG 信号的准周期特性，可以通过迁移学习预训练的卷积神经网络（Convolutional Neural Network, CNN）模型从 TMF 图像中提取动态特征。利用这些提取的特征，简单的分类器如多层感知机（Multi-Layer Perceptron, MLP）、逻辑回归和支持向量机可以应用于准确的异常检测。通过使用 PhysioNet Challenge 2017 数据库的测试数据集，结合 VGG16 迁移学习模型和 MLP 分类器的 TMF 分类模型表现出最佳性能，在 AF 分类中达到了 95.50% 的 ROC-AUC 和 88.43% 的 F1 分数。此外，TMF 分类模型可以在测试数据集中以高精度识别 AF 患者。从 TMF 图像中提取的特征向量通过 t-分布随机邻域嵌入技术显示出明显的患者级聚类。最重要的是，TMF 分类模型具有很好的临床可解释性。对称化的梯度加权类别激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）所揭示的模式在心跳和节律水平上具有明确的临床解释。