摘要

在过去十年中，人工智能在基于心电图（ECG）进行心脏相关诊断分类方面已展现出可行性。早期研究主要集中在12导联和2导联ECG的分类，而本研究旨在基于12、6、4、3及2导联ECG，对26种不同诊断进行分类。我们使用包含88,253份ECG数据、并以26种诊断作为真实标签（ground truth）的数据库训练了一个监督学习模型。整个训练与分类流程可分为三个阶段：（1）采用Pan-Tompkins算法检测QRS波群峰值，并计算平均心率；（2）利用平均心率与经过傅里叶变换的ECG信号作为输入，训练卷积神经网络（CNN）系统，以区分心律规则与不规则的ECG。该阶段成功分类了26类中的9类；（3）在最后阶段，构建一个由多个CNN模型组成的分类器链（classifier chain），用于对剩余的17种诊断进行分类。该阶段的输入包括第二阶段的分类结果以及原始ECG信号。本研究团队CardiOUS在PhysioNet挑战赛的隐藏测试集上，针对所有导联组合的综合评分为−0.63。根据该评分，团队在官方排名中位列39支参赛队伍中的第38位。