通过对抗网络合成包含活动特征的异常心电图

对抗生成; 异常心电图诊断

项目简介

随着可穿戴设备与个性化健康监测需求的不断增长，心电图自动分析正逐步从临床环境走向日常生活场景。然而，现有异常心电数据大多采集于静息状态下的医疗场景，难以反映个体在运动或身体活动过程中心电波形所发生的动态变化。这使得基于静息异常心电训练得到的分类模型在实际活动场景中往往面临性能下降、误报增加和漏检加剧等问题。尽管这一挑战具有重要现实意义，但由于让心脏疾病患者参与运动测试存在较高风险，运动状态下的异常心电数据极为稀缺，相关研究也因此受到明显限制。 为应对这一问题，本文提出了GAEA-Net框架，旨在结合健康个体的静息—运动配对心电与患者的静息异常心电，合成具备“活动水平增强”特征的异常心电信号。与以往主要关注病理因素导致波形变化的生成方法不同，该研究进一步将“活动水平”视为影响心电形态的重要非病理因素，尝试在保留疾病特征的同时，引入运动诱发的变化，从而生成更贴近真实日常场景的异常心电数据。