室上性心动过速机制的智能分类模型：基于十二导联穿戴式心电设备

An intelligent model for classifying supraventricular tachycardia mechanisms based on 12-lead wearable electrocardiogram devices

摘要

目的 基于十二导联穿戴式心电设备，探索室上性心动过速（SVT）机制鉴别的智能分类模型。 方法 选取356份SVT的穿戴式心电图，通过五折交叉验证的方式随机分为训练集、验证集建立智能分类模型，选取2021年10月~2023年3月诊断为SVT并行电生理检查及射频消融术的患者共101例作为测试集。对比心动过速诱发前后的心电图参数改变，基于多尺度深度神经网络，并加入窦性心律对比图增强训练，建立SVT机制分类的智能分类模型并验证诊断效能。进一步提取II，III，V₁三导联心电信号建立分类模型，并对比其与十二导联智能分类模型的效能。 结果 101例测试集中68例为房室结折返性心动过速，33例为房室折返性心动过速。预训练模型在验证集中识别房室结折返性心动过速的最高精确率-召回率曲线下面积达到0.9492，F1评分为0.8195。最终II导联，III导联，V₁导联，三导联与十二导联智能分类模型于测试集中的总F1评分分别为0.5597，0.6061，0.3419，0.6003与0.6136。对比十二导联，III导联的净重新分类指数与综合判别改善指数分别为-0.029（P=0.714）与-0.005（P=0.817）。 结论 基于多尺度深度神经网络，初步建立了穿戴式心电图对SVT机制分类的智能分类模型，并具有一定的准确性。

Abstract

Objective To develop an intelligent model for differential diagnosis of atrioventricular nodal re-entrant tachycardia (AVNRT) and atrioventricular re-entrant tachycardia (AVRT) using 12-lead wearable electrocardiogram devices. Methods A total of 356 samples of 12-lead supraventricular tachycardia (SVT) electrocardiograms recorded by wearable devices were randomly divided into training and validation sets using 5-fold cross validation to establish the intelligent classification model, and 101 patients with the diagnosis of SVT undergoing electrophysiological studies and radiofrequency ablation from October, 2021 to March, 2023 were selected as the testing set. The changes in electrocardiogram parameters before and during induced tachycardia were compared. Based on multiscale deep neural network, an intelligent diagnosis model for classifying SVT mechanisms was constructed and validated. The 3-lead electrocardiogram signals from II, III, and V₁ were extracted to build new classification models, whose diagnostic efficacy was compared with that of the 12-lead model. Results Of the 101 patients with SVT in the testing set, 68 were diagnosed with AVNRT and 33 were diagnosed with AVRT by electrophysiological study. The pre-trained model achieved a high area under the precision-recall curve (0.9492) and F1 score (0.8195) for identifying AVNRT in the validation set. The total F1 scores of the lead II, III, V₁, 3-lead and 12-lead intelligent diagnostic models in the testing set were 0.5597, 0.6061, 0.3419, 0.6003 and 0.6136, respectively. Compared with the 12-lead classification model, the lead-III model had a net reclassification index improvement of -0.029 (P=0.878) and an integrated discrimination index improvement of -0.005 (P=0.965). Conclusion The intelligent diagnostic model based on multiscale deep neural network using wearable electrocardiogram devices has an acceptable accuracy for classifying SVT mechanisms.

Graphical abstract

关键词

穿戴式心电图 / 室上性心动过速 / 十二导联心电图 / 多尺度深度神经网络 / 房室结折返性心动过速 / 房室折返性心动过速

Key words

wearable electrocardiogram / supraventricular tachycardia / 12-lead electrocardiogram / multiscale deep neural network / atrioventricular nodal re-entrant tachycardia / atrioventricular re-entrant tachycardia

室上性心动过速（SVT）是一种常见的阵发性心律失常^［1］。它主要由房室结折返性心动过速（AVNRT）与房室折返性心动过速（AVRT）两种机制组成。AVNRT是由房室结双径路或多径路造成的折返性心动过速，而AVRT是指心房与心室间的电传导由至少两条传导通路（包括正常房室结-希氏束通路及至少一条旁道）连接后形成折返环而导致的病理性心动过速。

室上性心动过速机制的确诊依赖于电生理检查（EPS）^［2］。然而，由于EPS的有创性以及术中辐射危害，并不利于阵发性心悸患者的大规模机制筛查。既往的机制判读依赖于发作时十二导联体表心电图及24 h动态心电图的判读^［3］，但由于其发作时间不确定，室上性心动过速患者获取发作时心电图较为困难。而穿戴式心电设备能够作为一种较安全、便捷的检测手段^［4］。因此，探索发作时穿戴式心电图在诊断室上性心动过速机制中具有重要作用。近年已有研究报道通过穿戴式心电设备及时获取AVNRT、AVRT或两种机制并存的心电图证据^［5-7］，方便患者早期诊断的同时，在指导射频消融手术策略调整中也具有关键作用，如预知左侧旁路所需的房间隔穿刺术或左侧股动脉穿刺入路，判断消融靶点，提前规避相关风险等^［8-11］。

由于心电图测量存在测量者偏差^［12］，室上性心动过速机制鉴别具有一定的难度，人工判读时需要一定的技巧及经验，因此对室上性心动过速的机制智能诊断有迫切需求。已有研究将深度学习算法用于心电图的识别诊断，在检测性别、检测高钾血症、心房颤动等疾病中都表现较好的性能^［13-15］。既往研究采用CNN算法建立智能模型区分AVNRT与AVRT^［16］，整体接收器操作特征曲线下面积（AUROC）达到0.80，并能够基于数据量增大提升效能。十二导联穿戴式心电设备便于收集，能够大量提升数据量，但目前尚缺乏有关穿戴式心电设备的智能模型研究。

本研究纳入经EPS术中确认机制的多导联穿戴式心电图作为数据集，建立对于室上性心动过速机制的智能分类模型并验证其准确性。

1 资料和方法

1.1 研究对象

将2017年4月~2021年8月中356份十二导联穿戴式心电图作为训练数据集^［17］，建立室上性心动过速机制智能分类模型。选取2021年10月~2023年3月于解放军总医院第一医学中心、解放军总医院第六医学中心以及阜外医院确诊为室上性心动过速并行EPS及射频消融术的患者共计101例，只纳入进行EPS及射频消融术的患者。

1.2 纳入及排除标准

纳入标准：术中EPS结果须符合2019版《欧洲心脏病学会室上性心动过速患者管理指南》中AVNRT或AVRT的诊断标准；所有患者均需签署知情同意书。

排除标准：穿戴式心电图图像质量差；存在其他不太常见的心动过速机制，如长RP心动过速、离子通道病、室性心动过速等；基线资料不全或拒绝提供相关资料；无法耐受手术者；年龄<18岁。

本研究已获得伦理委员会批准（伦理批号：S2019-318-03）。所获得的心电数据仅用于临床研究及穿戴式心电设备的改进升级，且对使用者的个人信息等资料数据严格保密，对穿戴式心电图相关数据严格保密。

1.3 穿戴式心电图佩戴

术前将多导联穿戴式心电设备中采集盒置于患者胸前，各胸前导联电极片紧贴心电监护电极片下方皮肤，保持定位线与前正中线平齐，箭头方向朝向患者头部，基准线与前正中线垂直，束带环绕患者胸背部一圈后束紧。按照红、黄、黑、绿4个肢体导联电极片颜色，将电极分别紧贴左右胸骨下窝区域和平脐孔左右两侧8~10 cm位置。连接穿戴式心电设备与康乃心（机构端）应用程序进行绑定，记录患者的年龄、性别等，每位患者于静息时记录一份15 s穿戴式心电图，作为基线心电图。默认灵敏度为10 mm/mV、走纸速度为25 mm/s。

1.4 智能分类模型构建

将356份室上性心动过速的穿戴式心电图作为训练集，建立十二导联室上性心动过速机制分类智能分类模型。训练集中每份15 s的心电图被分为AVNRT或AVRT。

本研究采用一维多尺度卷积神经网络^{［18， 19］}，其中多尺度卷积模块包含4个卷积核大小不同的卷积层和1个压缩激励模块。多尺度卷积模块与其他模块之间通过1×1卷积层进行残差连接，以提升模型训练效率。多尺度卷积模块中4个卷积层的卷积核大小分别为3、5、9、17。大卷积核可增大模型的感受野，小卷积核用于提取心电信号中的细节和瞬时特征。压缩激励模块提取全局信息学习不同特征通道的重要程度，并进行类别加权和校准，以每个类别样本数量的倒数为该类别的权重，使计算损失时让样本数量少的类别能够拥有较大的权重。本研究中的多尺度卷积网络构架包含8个多尺度卷积模块。网络的输入是十二导联的一维心电图，大小为［12， 7500］，输入通道数为12，输出为一个由sigmoid函数激活的预测概率向量，即预测的室上速类别。在整个迭代训练过程中，神经网络自动识别重要特征，无需人工提取。

使用二值交叉熵损失函数训练模型。式中，y表示真实标签，取值为0或1；p表示模型预测为正类的概率。

本文方法基于Pytorch深度学习平台进行构建。模型的训练测试过程是在具有11GB显存容量NVIDIA RTX 2080 GPU上进行的。我们采用预训练模型参数初始化模型，优化器为随机梯度下降，能够调整权重、提高模型泛化能力，批大小设置为256，迭代次数设置为200。初始学习率设置为0.005，而后学习率线性递增，在迭代次数的45%处达到0.05；随即学习率在迭代次数的90%处线性衰减至0.005，在最后的10%区间内迅速衰减至0。

其中，灵敏度、特异度、准确度、精确度及F1评分等诊断效能评价指标均与真阳性（TP）、真阴性（TN）、假阳性（FP）、假阴性（FN）4个指标有关：

--引用第三方内容--

Sensitivity=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}，

Specificity=\frac{\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}},

ACC=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{N}}，

Precision=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}},

F1=\frac{\mathrm{2}\times \mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}\times \mathrm{S}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{i}\mathrm{t}\mathrm{y}}{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}+\mathrm{S}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{i}\mathrm{t}\mathrm{y}}。

考虑本模型最终为AVNRT或AVRT的二分类心电模型，选择F1评分为评估模型标准与参数调整目标，即精确度和灵敏度（又称召回率）的调和平均数。并评估分类模型的AUROC，考虑两种分类数据可能存在不平衡的情况，同时对模型的精确召回曲线下面积（AUPRC）进行评估。

训练模型分为两种，一种是完全随机初始化模型，模型参数随机初始化后开始训练；另一种是预训练模型，基于我们之前的工作进行迁移学习^［18］，使用356份室上性心动过速穿戴式心电图数据文件所训练的分类模型进行参数微调。

1.5 模型验证与测试

将356份心电图数据文件分为数量将近的5份进行五折交叉验证^［20］，分别使用每一份作为验证集，其余4份作为训练集，得出最终5个模型，最终预测结果为5个模型的平均结果。采用五折交叉验证更全面地评估模型效能，能够避免模型过拟合或欠拟合的情况^［20］。

随后纳入EPS诱发后即刻记录的穿戴式心电图共计101份，作为模型的外部测试集，与其余数据集互不交叉。

1.6 探索三导联心电智能分类模型

考虑既往II导联对心房激动波显形较好，而相关研究证实单一III导联与单一V₁导联对区分AVNRT与AVRT的准确性较高，选用II、III、V₁三导联建立心电智能分类模型^［21］。提取多导联穿戴式心电图中II、III、V₁三导联的心电信号，并建立对室上性心动过速机制分类的4种新心电智能分类模型，包括3种单导联模型及1种三导联模型。并将新模型与十二导联分类模型进行对比，计算净重新分类指数（NRI）与综合判别改善指数（IDI），比较两种心电模型的分类效能差异。

1.7 统计学分析

统计分析采用Python 3.9版本。所有分类变量用n（%）描述。将符合正态分布的连续变量描述为均数±标准差。分类变量之间的差异比较采用卡方检验或Fisher精确检验。用T检验或秩和检验比较连续变量之间的差异。P<0.05认为差异具有统计学意义。

2 结果

2.1 不同室上性心动过速患者入院基线资料

共纳入101例室上性心动过速患者，年龄为45.85±14.25岁，其中男性患者47例（46.5%），女性患者54例（53.5%）。经EPS验证机制后，68例（67.3%）患者确诊为AVNRT，33例（32.7%）确诊为AVRT（表1）。

2.2 基线心电图

AVNRT患者的窦性心律QRS波宽度相比AVRT明显较短，差异具有统计学意义（P=0.002，表2）。

2.3 室上性心动过速发作时心电图参数

两种机制患者发作时心电图的平均心率、QRS波宽度、QT间期、QTc间期、QTcd等心电图参数间未见统计学差异（P>0.05，表3）。

2.4 智能模型构建

基于356份室上性心动过速的穿戴式心电图，初步数据训练建立的室上性心动过速机制分类模型AUPRC为0.5757，而其AUROC最高为0.7133。

加入窦性心律对比图后，随机初始化模型经五折交叉验证所得到的5个模型诊断效能如下（图2）：对于AVNRT的AUPRC分别为0.6441，0.6819，0.6559，0.7874及0.7113；而对于AVRT的AUPRC分别为0.3928，0.4948，0.4312，0.3191及0.4840。

预训练模型经五折交叉验证所得到的5个模型诊断效能如下（图3）：对于AVNRT的AUPRC分别为0.7460、0.8061、0.7681、0.9492及0.8828；而对于AVRT的AUPRC分别为0.5193、0.5812、0.4987、0.5705及0.6761。

基于验证集，完全随机初始化模型与预训练模型的诊断效能如下：随机初始化模型区分AVNRT的F1评分为0.7436；区分AVRT的F1评分为0.0160。预训练模型区分AVNRT的F1评分为0.8195；区分AVRT的F1评分为0.4167（表4）。

2.5 三导联模型探索

III导联心电智能分类模型的总F1评分为0.6061，而十二导联心电智能分类模型的总F1评分为0.6136（表5）。经检验，对比十二导联分类模型，三导联模型的NRI为0.029（P=0.874），而IDI为0.010（P=0.928）。而单独III导联模型的NRI为-0.029（P=0.878），IDI为-0.005（P=0.965）。

3 讨论

目前深度学习算法在心电图诊断中已逐步展开应用，因其端到端的训练方式以及强大的特征表达能力能够取得较为优异的性能，能够较好地解决穿戴式心电设备中的信号干扰问题，准确性较好^{［22， 23］}。与既往研究相比^［16］，本研究采用了十二导联穿戴式心电设备以获取SVT患者的穿戴式心电图，对构建室上性心动过速机制智能分类模型进行了初步的探索，并在扩展穿戴式心电图数据库的同时，能够进一步提升模型效能。此外，利用预训练模型可进一步提高模型泛化能力^［24］。

通过对智能分类模型的五折交叉验证发现，预训练模型诊断效能相比随机初始化模型较好。预先使用室上性心动过速心电图数据库训练模型进行迁移学习，能够一定程度缓解数据不平衡性，能够提高室上性心动过速的分类准确性。由于穿戴式心电图的便捷性及易获取性，多导联穿戴式心电图数据库将被进一步扩展，智能分类模型的准确性将进一步提升。利用智能分类模型将能够更好地实现穿戴式心电设备在室上性心动过速中的应用价值。

既往曾有研究基于体表心电图与决策树算法建立对心房颤动、心房扑动、AVNRT及AVRT的分类模型，其准确性能较好^［25］，但该研究仅纳入11例室上性心动过速患者的训练集与19例患者的验证集，样本量较小，缺乏一定的普遍性，仍需要大量数据以进行外部测试。既往研究所建立的模型能够基于窦性心律心电图诊断心房颤动，总体准确率达83.3%^［26］，而Jo等^［27］开发出基于窦性心律心电图的心电智能诊断模型，在诊断室上性心动过速方面达到95.5%的总体准确率。深度学习能够捕捉人体肉眼难以发现的精确信息，心电图有望因此成为一种快速且有效的检查手段^{［27， 28］}。

本研究中的心电智能分类模型中对于AVNRT的区分能力尚可，F1评分可达到0.8195，而区分AVRT的能力一般，F1评分仅有0.4167，主要原因可能是本训练集中AVRT心电图数量较少，可能需要更多以AVRT心电图为主的心电数据。AVRT患者多为儿童，需要纳入儿童心血管专科医疗单位的患者以扩展室上性心动过速穿戴式心电图数据库，进一步提高模型准确性。另外，可能与AVRT中旁路位置不同造成其心电图特征较为复杂有关，神经网络模型需要更大样本量以训练获得足够高的诊断效能。

本研究中使用II，III，V₁三导联的心电信号联合建立了新的室上性心动过速机制分类的智能分类模型，对比十二导联分类模型，III导联模型的F1评分为0.6061，同时经NRI检验与IDI检验，III导联模型诊断效能不亚于十二导联，未来可能能够基于单独III导联进行SVT的机制快速分类。对于部分具有肢体运动障碍的老年患者可使用更为方便的单导联穿戴式心电图，但仍需要大量样本以建立更为准确的神经网络模型。类似地，有研究也证实V₁导联与III导联较于其它导联能更有效地区分SVT的潜在机制^［21］。但是本研究中V₁导联模型的总F1评分较低，这可能是因为相较肢体导联，胸前导联受运动、呼吸等干扰产生的伪影更大。

Senoner等^［29］也曾基于357位预激综合征患者的体表心电图，开发出神经网络模型以预测旁路位置，对几种常见的旁路位置预测准确性较好，但一些少见的位置预测准确性较差。使用无创心电检测方法对SVT机制进行区分是一项具有挑战的任务，需要借助大规模的心电数据以训练深度学习模型，以期不断提高模型的诊断效能，发现心电图中肉眼难以识别的隐藏信息。对于十二导联穿戴式心电设备而言，受限于穿戴式心电图图像质量受干扰影响较大，需要更稳定的算法模型以消除干扰带来的伪波误差^［30］。院内的十二导联穿戴式体表心电图资源有限，而随着相关政策的完善，穿戴式心电设备于院外的大量使用^［31］，穿戴式心电图数据将不断扩展，并形成SVT等心血管疾病的穿戴式心电图数据库，进一步提高心电图诊断准确率。

本研究存在一定局限性。第一，研究所选样本量较少，在未来的研究中我们需要建立更大的心电数据库以提高诊断效能。第二，受限于术中心电监护需求，多导联穿戴式心电设备的胸前导联电极位置可能并不完全准确，对于部分心电信号将产生一定影响。第三，研究人群中选取的室上性心动过速患者中AVRT的比例较少，虽然通过类别加权、迁移学习的方式能够一定程度缓解不平衡性，但未来将会纳入儿科电生理中心的患者以优化数据集。

本研究基于多尺度卷积神经网络，初步建立了穿戴式心电图对SVT机制分类的智能分类模型，并具有一定的准确性。另外，III导联智能分类模型效能不亚于十二导联模型。

参考文献

[1] Brugada J, Katritsis DG, Arbelo E, et al. 2019 ESC Guidelines for the management of patients with supraventricular tachycardiaThe Task Force for the management of patients with supraventricular tachycardia of the European Society of Cardiology (ESC)[J]. Eur Heart J, 2020, 41(5): 655-720. DOI: 10.1093/eurheartj/ehz827

[2] Peng G, Zei PC. Diagnosis and management of paroxysmal supraventricular tachycardia[J]. JAMA, 2024, 331(7): 601-10. DOI: 10.1001/jama.2024.0076

[3] Al Mehairi M, Al Ghamdi SA, Dagriri K, et al. The importance of utilizing 24-h Holter monitoring as a non-invasive method of predicting the mechanism of supraventricular tachycardia[J]. J Saudi Heart Assoc, 2011, 23(4): 241-3. DOI: 10.1016/j.jsha.2011.05.002

[4] Reed MJ, Grubb NR, Lang CC, et al. Multi-centre Randomised Controlled Trial of a Smartphone-based Event Recorder Alongside Standard Care Versus Standard Care for Patients Presenting to the Emergency Department with Palpitations and Pre-syncope: the IPED (Investigation of Palpitations in the ED) study[J]. E Clin Med, 2019, 8: 37-46. DOI: 10.1186/s13063-018-3098-1

[5] Toyohara K, Kudo Y, Takeuchi D, et al. Smartwatch detection of undiagnosed palpitations in a juvenile[J]. Intern Med, 2022, 61(17): 2691-2. DOI: 10.2169/internalmedicine.8621-21

[6] Tabing A, Harrell TE, Romero S, et al. Supraventricular tachycardia diagnosed by smartphone ECG[J]. BMJ Case Rep, 2017, 2017: bcr2016217197. DOI: 10.1136/bcr-2016-217197

[7] Bogossian H, Iliodromitis K, Robl S. Jump-Phänomen zur SVT-Induktion und die Korrelation mit der EKG-Dokumentation über die Apple Watch™[J]. Herzschrittmachertherapie+Elektrophysiologie, 2020, 31(4): 426-9. DOI: 10.1007/s00399-020-00722-7

[8] Kasai YH, Kasai J, Sekiguchi Y, et al. Apple Watch® facilitates single-session catheter ablation of coexisting atrioventricular nodal reentrant tachycardia and atrioventricular reentrant tachycardia[J]. Clin Case Rep, 2021, 9(8): e04702. DOI: 10.1002/ccr3.4702

[9] Wu SJ, Li CH, Lin JC, et al. Detecting supraventricular tachycardia with smartwatches facilitates the decision for catheter ablation: a case series[J]. Pacing Clin Electrophysiol, 2022, 45(1): 157-9. DOI: 10.1111/pace.14388

[10] Matsunaga K, Inoue T, Miyake Y, et al. Twelve-lead electrocardiography identifies the therapeutic target of paroxysmal supraventricular tachycardia[J]. J Arrhythm, 2019, 36(1): 211-3. DOI: 10.1002/joa3.12261

[11] Penfold MP, Cannon BC, Wackel PL. Empiric slow pathway cryoablation in symptomatic children without documented supraventricular tachycardia[J]. Pediatr Cardiol, 2024, 45(4): 921-5. DOI: 10.1007/s00246-022-03065-x

[12] Cook DA, Oh SY, Pusic MV. Accuracy of physicians' electrocardiogram interpretations: a systematic review and meta-analysis[J]. JAMA Intern Med, 2020, 180(11): 1461-71. DOI: 10.1001/jamainternmed.2020.3989

[13] Kaneko I, Hayano J, Yuda E. How can gender be identified from heart rate data? Evaluation using ALLSTAR heart rate variability big data analysis[J]. BMC Res Notes, 2023, 16(1): 5. DOI: 10.1186/s13104-022-06270-2

[14] Galloway CD, Valys AV, Shreibati JB, et al. Development and validation of a deep-learning model to screen for hyperkalemia from the electrocardiogram[J]. JAMA Cardiol, 2019, 4(5): 428-36. DOI: 10.1001/jamacardio.2019.0640

[15] Siontis KC, Noseworthy PA, Attia ZI, et al. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management[J]. Nat Rev Cardiol, 2021, 18(7): 465-78. DOI: 10.1038/s41569-020-00503-2

[16] Sau A, Ibrahim S, Kramer DB, et al. Artificial intelligence-enabled electrocardiogram to distinguish atrioventricular re-entrant tachycardia from atrioventricular nodal re-entrant tachycardia[J]. Cardiovasc Digit Health J, 2023, 4(2): 60-7. DOI: 10.1016/j.cvdhj.2023.01.004

[17] 王泓森, 陈 韬, 颜 勇, 等. 十二导联穿戴式心电设备院前诊断室上性心动过速的回顾性研究[J]. 中华保健医学杂志, 2022, 24(2): 87-90.

[18] Lai JW, Tan HX, Wang JL, et al. Practical intelligent diagnostic algorithm for wearable 12-lead ECG via self-supervised learning on large-scale dataset[J]. Nat Commun, 2023, 14(1): 3741. DOI: 10.1038/s41467-023-39472-8

[19] 赖杰伟, 陈韵岱, 韩宝石, 等. 基于DenseNet的心电数据自动诊断算法[J]. 南方医科大学学报, 2019, 39(1): 69-75.

[20] Kucheryavskiy S, Rodionova O, Pomerantsev A. Procrustes cross-validation of multivariate regression models[J]. Anal Chim Acta, 2023, 1255: 341096. DOI: 10.1016/j.aca.2023.341096

[21] Liberman L, Pass RH, Starc TJ. Optimal surface electrocardiogram lead for identification of the mechanism of supraventricular tachycardia in children[J]. Pediatr Emerg Care, 2008, 24(1): 28-30. DOI: 10.1097/pec.0b013e31815f3992

[22] Hannun AY, Rajpurkar P, Haghpanahi M, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network[J]. Nat Med, 2019, 25(1): 65-9. DOI: 10.1038/s41591-018-0268-3

[23] Zhang Y, Liu S, He ZH, et al. A CNN model for cardiac arrhythmias classification based on individual ECG signals[J]. Cardiovasc Eng Technol, 2022, 13(4): 548-57. DOI: 10.1007/s13239-021-00599-8

[24] Yao Y, Yu BS, Gong C, et al. Understanding how pretraining regularizes deep learning algorithms[J]. IEEE Trans Neural Netw Learn Syst, 2023, 34(9): 5828-40. DOI: 10.1109/tnnls.2021.3131377

[25] Perlman O, Katz A, Amit G, et al. Supraventricular tachycardia classification in the 12-lead ECG using atrial waves detection and a clinically based tree scheme[J]. IEEE J Biomed Health Inform, 2016, 20(6): 1513-20. DOI: 10.1109/jbhi.2015.2478076

[26] Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction[J]. Lancet, 2019, 394(10201): 861-7. DOI: 10.1016/s0140-6736(19)31721-0

[27] Jo YY, Kwon JM, Jeon KH, et al. Artificial intelligence to diagnose paroxysmal supraventricular tachycardia using electrocardiography during normal sinus rhythm[J]. Eur Heart J Digit Health, 2021, 2(2): 290-8. DOI: 10.1093/ehjdh/ztab025

[28] Shen CP, Muse ED. Towards an artificial intelligence-augmented, ECG-enabled physical exam[J]. Lancet Digit Health, 2022, 4(2): e78-9. DOI: 10.1016/s2589-7500(21)00281-8

[29] Senoner T, Pfeifer B, Barbieri F, et al. Identifying the location of an accessory pathway in pre-excitation syndromes using an artificial intelligence-based algorithm[J]. J Clin Med, 2021, 10(19): 4394. DOI: 10.3390/jcm10194394

[30] Ding JW, Tang Y, Chang RH, et al. Reduction in the motion artifacts in noncontact ECG measurements using a novel designed electrode structure[J]. Sensors, 2023, 23(2): 956. DOI: 10.3390/s23020956

[31] Boriani G, Svennberg E, Guerra F, et al. Reimbursement practices for use of digital devices in atrial fibrillation and other arrhythmias: a European Heart Rhythm Association survey[J]. Europace, 2022, 24(11): 1834-43. DOI: 10.1093/europace/euac142

基金资助

国家重点研发计划(2018YFC2001205)

军委后勤保健专项

RIGHTS & PERMISSIONS

版权所有©《南方医科大学学报》编辑部2021