引言

心血管疾病（Cardiovascular Disease，CVD）可能引发多种心脏问题，包括心脏病、心力衰竭、中风和动脉粥样硬化。为了预防和监测这些疾病，心电图（Electrocardiogram，ECG）常被作为重要的临床手段。通过在特定位置放置电极，ECG能够测量心脏活动过程中产生的微弱电信号，从而评估心脏的健康状况。这些微弱的电信号提供了关于心脏状况和个人总体健康状况的重要信息。心电图也因为其操作便捷和无创性的优点，成为了诊断和监测心脏问题的重要工具[1-3]。

随着人们对心脏健康意识的提高，越来越多的人使用便携式心电监测设备来监测自己的心脏活动。许多日常心电图监测系统（如智能手表等）为了提高设备便携性而减少电极数量。然而，与临床设备使用的12导联心电信号相比，这些设备因为电极数量的减少，无法提供心脏活动的完整视图，而不完整的12导联心电信号不足以作为临床诊断或长期监测的依据[4]。为了使电极数量有限的心电监测设备也能够捕获完整的12导联心电信号，就必须解决从少数导联心电信号中重构12导联心电信号的问题。通过这种方法，即使设备电极有限，仍然可以通过这些设备获取完整的12导联心电信号并为长期监测和临床诊断提供完整的心脏信息。

通过文献调研发现，心电信号重构方法大致可以分为基于神经网络和基于非神经网络两类。基于非神经网络的方法[5-8]在生成长度较短的12导联心电信号时，有较高的重构精度。然而，这类方法的重构精度容易受到测量过程中噪声的影响，并且随着心电信号长度的增加，重构精度也有下降的趋势。此外，还有许多基于神经网络的12导联心电信号重构算法[9-16]。Garg等人使用了改进的U-Net从II导联心电信号重构出剩余的11导联心电信号[16]。然而，心电信号是一种经典的时间序列信号，信号前后部分具有一定的时间相关性，这些仅使用U-Net的方法在处理具有长期依赖关系的时间序列信号时可能会遇到梯度消失和爆炸问题，从而限制了重构的12导联心电信号的精度。最近的一篇论文利用生成对抗网络（Generative Adversarial Network，GAN）模型来重构12导联心电信号[13]。因为GAN模型可以很好地拟合心电信号中的非线性关系，从而提高了不同类型心电信号的重构精度，且无需单独训练每个导联心电信号。在以往基于GAN模型的工作中，如Yoon等人的工作[13]，由于模型处理信号前后依赖关系的能力有限，因此将心电信号重构过程分为了两个步骤，在第一个步骤中重构出小段的心电信号，然后在第二个步骤下将这些信号组合在一起，最后得到完整的12导联心电信号。Kapfo等人则将长短期记忆网络（Long Short-Term Memory，LSTM）用于心电信号重构任务[14]。LSTM能够捕获心电信号的时间特征、模式和扩展关系。但由于LSTM对不同导联间心电信号的空间相似性处理能力较弱，通常需要输入多个导联的心电信号才能获得完整的12导联心电图输出，因此Kapfo等人提出的模型使用导联I、II和V2作为原始导联。但许多用于远程长期心电监护设备大多只能提供一个导联的信号作为模型的输入[4]，所以Kapfo等人的模型难以应用于单一导联的监护设备。

为了在有限的资源下提高重构完整的12导联心电信号的精度，本文提出了一种以GAN网络结构为基础，采用Transformer和U-Net的混合结构作为生成器，通过判别器来区分生成器重构的心电信号和真实的心电信号的模型。本研究主要的贡献如下，本模型可以同时生成所有12导联的完整信号，而不是先生成小段的心电信号再将其组合成完整的12导联心电信号，提高了重构效率，简化了信号生成过程。与同类生成算法相比，本研究提出的模型具有较高的重构精度，在12导联心电信号重构应用中表现出了优异的性能和有效性。

本文首先介绍了本研究中使用的模型结构和ECG数据集，并详细描述了每个模块的功能。此外，还提供了评估指标、训练环境及训练过程中使用的具体参数设置。然后通过PTB-XL数据集和绍兴人民医院数据集验证了模型的准确性，并使用心电信号分类模型评估生成的心电信号的分类性能。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000006388

作者信息：

曾超权1，2，骆炜2，3，王森林2，3，戴玲凤2，3，陈豪2，3

（1.福州大学 先进制造学院，福建 泉州 362251；

2.中国科学院福建物质结构研究所，福建 福州 350108；

3.福建省复杂动力系统智能识别与控制重点实验室，福建 泉州 362200）