近日，我院数字健康与人工智能研究中心携手牛津大学、香港中文大学的科研团队在IEEE Journal of Biomedical and Health Informatics上发表了一种创新的智能心电图采集方法，通过监测光电容积脉搏波实现持续的心脏健康预警，有助于早期发现并干预潜在的心血管疾病。
全球范围内，心血管疾病（CVD）以其高发病率和死亡率成为了人类健康的最大威胁之一。据世界卫生组织报告，每年有超过1亿人因此类疾病导致的并发症而死亡，而在中国，CVD的患病率更是呈持续上升趋势。然而，值得注意的是，大约80%的CVD的死亡病例是可以通过预防措施避免的。因此，早期预警和持续监测对于降低CVD的发病率和死亡率至关重要。
12导联心电图（ECG）是临床中用于判断心脏疾病的重要手段，然而，由于设备庞大且需要专业人员操作，ECG的收集存在诸多不便。即便是便携式的心电设备，如智能手环，也需要患者主动操作才能获取ECG数据。此外，诸如心梗、心律失常等心脏异常情况往往具有突发性和间歇性的特点，这使得ECG的测量时机选择变得尤为困难。
与ECG不同，光电容积脉搏波（PPG）数据通常由消费设备被动测量，因此适用于长时间监测，并能够有效识别心率失常等短暂的心脏事件。但是由于PPG信号属于外围测量信号，直接从中分类或预测心脏异常存在较大的难度，基于PPG的预测推断常仅限于推导生理参数（心率、呼吸频率等）或明显的心脏时序异常，如心房纤颤/扑动（“心悸”）。
研究人员结合了二者的优势，提出了一种名为双卷积注意网络（DCA-Net）（如图1）的创新方法，用于基于ECG异常的PPG分类。该方法通过可持续监测且普遍存在的PPG信号，识别出ECG的显著异常时段，从而提示用户进行ECG测量，以便更准确地评估心脏风险。
图1：DCA-Net 方法
DCA-Net的核心在于其独特的网络结构和注意力机制。该网络主要由ResNet+DCA模块和卷积注意力模块组成。顶部图显示了 ResNet+DCA 模块，该模块取代了主干模型中的普通 ResNet 模块。卷积注意力模块（右下）按顺序分别在“通道维度”上进行卷积以实现通道注意力，以及在“时间维度”上进行卷积以实现时间注意力（左下）。
DCA-Net中的卷积注意力机制在不增加模型复杂度的情况下，进一步增强了其对PPG信号中关键信息的关注能力。通过计算不同通道和不同时间点的注意力权重，DCA-Net能够自动调整其对PPG信号的关注程度，从而更准确地识别出ECG的显著异常时段。这种自适应的注意力机制使得DCA-Net在处理复杂多变的PPG信号时具有更高的鲁棒性和准确性。
研究人员在MIMIC数据库上的实验结果表明，DCA-Net取得了出色的性能表现，AUROC（曲线下面积）大于0.9和AUPRC（精度-召回率曲线下面积）大于0.7。此外，在一个与MIMIC数据集不完全匹配的独立数据集上测试时，该模型也展现出了良好的泛化能力（AUROC > 0.7 和 AUPRC > 0.6）。此外，DCA-Net还通过注意力模块为临床解读提供了多维度的可解释性，进一步增强了其在实际应用中的实用性和可靠性（如图2）。
（a）正常信号
（b）异常信号
图2：DCA-Net 正确分类的正常 (a) 和异常 (b) PPG 信号示例，及其在网络中第 1 至第 4 层中的时间注意力权重（从下到上的热图），颜色越亮权重越重。
这一研究通过光电容积脉搏波监测实现对心电信号异常的预警，为心血管疾病的持续被动监测提供了新的思路和方法。
