基于卷积神经网络的充血性心力衰竭检测方法

充血性心力衰竭（Congestive Heart Failure, CHF）是一种高发病率、高死亡率且持续带来沉重医疗负担的严重病理生理状态，亟需高效、精准的检测方法。尽管近年来已有研究致力于先进信号处理与机器学习技术，但将卷积神经网络（Convolutional Neural Network, CNN）应用于CHF自动检测的潜力尚未得到充分挖掘。本研究填补了这一重要空白，提出一种基于CNN的模型，仅需单个原始心电图（ECG）心跳信号即可实现对CHF的精准识别，并与传统依赖心率变异性（Heart Rate Variability, HRV）特征的方法进行对比。模型在公开可获取的ECG数据集上进行训练与测试，涵盖总计490,505个心跳数据，实现了100%的CHF检测准确率。尤为重要的是，该模型能够识别出具有类别区分能力的心跳序列及ECG波形特征，这些特征对CHF的判别具有显著意义。总体而言，本研究显著推进了CHF检测的现有方法学水平，为临床医师提供了一种准确、完全透明的辅助决策工具，有力支持CHF的早期识别与诊断。