基于连续小波变换与二维卷积神经网络的房颤自动检测

心房颤动（Atrial Fibrillation, AF）是导致发病率和死亡率最高的心律失常类型。AF可表现为短暂性（即阵发性AF）或持续性（即持续性AF）发作，无论何种形式均会引起心室激动的不规则，进而影响心脏整体功能。目前，实现AF的早期自动检测仍是尚未解决的临床挑战，严重制约了AF高效治疗策略的实施。在本研究中，我们提出了一种基于连续小波变换（Continuous Wavelet Transform）与二维卷积神经网络（2D Convolutional Neural Networks, CNNs）的新方法，用于检测AF发作。该方法通过分析心电图（ECG）信号的时间-频率特征，区别于传统AF检测方法中仅依赖心房或心室活动分离的策略。随后，采用二维CNN对模型进行训练，以提升AF检测性能。研究使用MIT-BIH心房颤动数据库对算法进行评估，并将其性能与多种现有方法进行了对比，其中多数方法也基于同一数据集。所提出的基于CNN的算法在敏感性（Sensitivity）、特异性（Specificity）、阳性预测值（Positive Predictive Value）和总体准确率（Accuracy, ACC）方面分别达到了99.41%、98.91%、99.39%和99.23%。由于该算法聚焦于ECG信号的时间-频率特征，而非孤立地分析心房或心室活动，因此仅需5个心动周期即可实现AF发作的检测，展现出良好的临床应用前景，为未来实时、便携式AF监测系统的发展提供了有力支持。