摘要

心电图（ECG）信号中QRS波群的检测对于自动化心脏诊断至关重要。自动化QRS检测已作为研究课题超过三十年，尽管多种传统检测方法已展现出可接受的检测精度，但这些方法在各自研究数据库之外的适用性尚未得到充分探索。由于ECG信号具有非平稳特性，且患者内部及患者之间的信号存在显著变异，这给单一QRS检测器实现稳定性能带来了巨大挑战。在实际应用中，理想的QRS检测器应能在多种多样的ECG记录中保持可接受的准确率，因此，对模型泛化能力的评估显得尤为关键。本文从两个角度——基于单个受试者（采用留一法与五折交叉验证）和跨数据库（使用单个或多个数据库进行训练）——系统评估了基于卷积神经网络（CNN）的模型在三个公开可用的ECG数据库（MIT-BIH心律失常数据库、INCART数据库和QT数据库）上的泛化能力。实验结果显示，留一法测试的准确率分别为99.22%、97.13%和96.25%；跨数据库测试中，除INCART数据库外，其余均达到90%以上的准确率。性能差异表明，单纯增加训练样本数量并不能简单提升CNN模型的泛化能力，唯有引入来自多样化受试者的样本，才能实现可靠的QRS检测精度。