融合单导联心电图传统与深度特征的常见心律失常识别方法研究

李全池 黄 鑫 罗成思 黄惠泉 饶妮妮

(电子科技大学生命科学与技术学院，成都 610054)

引言

心律失常是心血管疾病中最为常见的疾病类型之一。一些早期心律失常在体征上与健康个体没有明显区别，往往在较为严重时才被检出，容易使患者错失最佳治疗时期。因此，开展心律失常的长时间智能监护，以提高心律失常的早期检出率和自动诊断准确率，具有十分重要的实际意义。

常见的心律失常智能监护模式可简单描述为:首先采用便携式心电设备，采集用户的长程动态心电图(electrocardiogram，ECG)，然后通过智能移动联网设备(如手机)传输至后台服务器，接着后台服务器进行智能判断和处理，再通过智能移动联网设备及时反馈给用户和合作医院，最后合作医院通知有异常心电信号的患者作进一步诊疗。为了不影响被监护人的日常生活和工作，大多数便携式心电设备只采集1 个或2 ～3 个导联的ECG 信号。与临床静息态12 导联ECG 相比，少数导联ECG 携带的心律失常特征更少，再加上长程动态ECG 的干扰大，如电极接触噪声、基线漂移和呼吸等，给准确判断和识别各种心律失常的智能算法设计带来较大挑战。

迄今为止，已经有大量心律失常智能检测算法问世。例如，针对最为常见的心律失常-房颤(atrial fibrillation，AF)的检测与识别，Andrikopoulos 等[1]和Ladavich 等[2]分别利用P 波的幅度、离散度以及波宽的方差和P 波缺失等系列心房特征，区分正常心电与房颤信号；Sarkar[3]与Zhou 等[4]分别利用RR间期差分的洛伦兹散点图特征和编码香农熵等特征区分房颤，特别是后者方法的灵敏度和特异性分别达到了97.37%和98.44%，是目前基于RR 间期识别房颤的方法中性能较为优秀的方法之一。Couceiro 等[5]通过结合P 波和心率变异性参数的一系列特征，以及Jiang 等[6]联合P 波和RR 间期特征参数，都实现了对房颤较准确的检测。针对束支传导阻滞和早搏的检测，王明松等[7]将QRS 波群宽度延长和形状改变作为特征构建模板，能按单个心拍识别完全性束支阻滞。杨波等[8]提出了一种自适应变长模板，对室性早搏进行识别，算法敏感度可以高达98%。这类模板方法容易受到噪声影响，且在遇到波形相近的心律失常时很容易出现误识别。基于机器学习的方法能够有效地缓解模板方法的问题[9-11]。

随着深度神经网络(deep neural network，DNN)的发展，一大批基于深度学习的多种心律失常检测与识别算法涌现出来，一些大型国际比赛也极大地促进了这类算法的发展。例如，张清学等[12]提出了一种基于离散小波变换的时频域一维卷积神经网络，实现了对来自于多个数据库中异常节律的识别，平均识别率达到了93.5%。Chen 等[13]利用一维卷积神经网络(convolutional neural network，CNN)并结合长短时记忆网络(long short term memory network，LSTM)，在MIT-BIH 数据库中进行验证，对正常、房颤、房扑、心室肥大、窦性心动过缓和起搏节律等共6 种节律的识别准确率达到了97.15%。Hannun 等[14]采用了一种34 层的DNN，构建了一个大型心电数据集，实现了对房颤、房室传导阻滞、二联律、室性自主心律、交界性心律、噪声、正常心律、室上性心动过速、三联律、室性心动过速、异位房性心律和文氏现象等12 种不同类型心电信号的分类，其平均准确率达到了83.7%。这些研究证明，基于DNN 的方法在检测与识别心律失常上可行和有效，但需要大量数据用于训练，且获取的特征可解释性较差。由于传统特征工程获取的专家特征大都具有较好的可解释性，有利于帮助医生等专业人士对ECG 作出解释，因此本研究将传统解释性强的特征与DNN 自动提取的特征进行结合，并在小样本训练和特征解释性上做了尝试，发展了一种基于单导联ECG 的常见心律失常智能识别算法，最后采用静息态和动态单导联ECG 数据，验证该算法的有效性和可行性。

1 材料与方法

1.1 实验数据

1.1.1 静态ECG 数据集

该数据集来源于2018年中国生理信号挑战赛( China Physiological Signal Challenge 2018，CPSC2018)[15]。它提供了6 877 条不同时长的12导联心电数据，采样率为500 Hz，包括房颤、一度房室阻滞、左/右束支阻滞、房/室性早搏、ST 段抬高或压低等共9 类心律失常和正常节律，具体分布情况如表1所示。考虑到大多数便携式心电设备采集了肢体导联的ECG，且肢体Ⅰ导联和Ⅱ导联数据相近，因此笔者提取了该数据集中肢体Ⅱ导联的ECG用于后续研究。由于临床上判断ST 段抬高或者压低需要综合12 导联信息，基于单导联心电图识别ST 段抬高、压低的准确率难以满足临床需求，因此排除了ST 段抬高或压低。在房颤、一度房室阻滞、左/右束支阻滞、房/室性早搏和正常等7 种心电图中，左束支阻滞的记录数量最少，房颤和右束支阻滞的记录数量较多，因此各类心电图信号之间存在样本数不均衡的问题。

表1 CPSC2018 提供的心电图数据集分布情况Tab.1 ECG data profile for the CPSC2018

需要特别指出的是，该数据集中部分心电图可能同时包含多种心律失常的特征，说明患者身上存在多种心律失常共病，这一特点符合临床实际。为此，本研究采用sigmoid 函数，同时映射多种心律失常的概率，取概率最高的心律失常类型作为预测结果。

采用这组静态ECG 数据的目的是:静态ECG干扰小，携带的心律失常特征明显，有利于本研究提取准确的心律失常传统特征，并优化深度特征，为构建适用于动态ECG 的心律失常识别方法奠定基础。

1.1.2 动态ECG 数据集

为了验证本研究算法在便携式设备采集的动态ECG 数据上的有效性和可行性，采用2017年全球房颤挑战大赛(The physionet/cinc challenage 2017，CINC2017)的动态ECG 数据。CINC2017 数据集来源于AliveCor 单导联心电采集设备，采样率为300 Hz，总共包含了8 528 组不等长的训练数据和3 658组隐藏测试集(未公布)。训练集上的数据分布信息如表2所示，包括正常、房颤、其他心律失常和噪声4 种类型。按照该数据库对分类结果评价的推荐，本研究在计算算法性能评估参数的平均值时，只对正常、房颤和其他心律失常的节律求取平均值。

表2 CINC2017 数据库中训练集数据的分布信息Tab.2 ECG data profile for the CINC2017

1.2 方法

首先采用传统方法提取单导联心电信号的专家特征，然后分别搭建残差块网络和双向长短时记忆网络，提取其深度学习特征，最后设计一种能够融合不同尺度特征的多分类方法，图1所示为该方法的整体流程。

图1 研究方法的整体流程Fig.1 The structure of the proposed method

1.2.1 传统专家特征提取

在原始心电信号通过巴特沃斯低通滤波器和中值滤波进行高频和基线漂移的噪声滤波后，采用QRS 波群定位、小波变换以及基于RR 间期的心率变异性非线性分析等方法，对心电信号进行时域、频域和形态3 方面的传统专家特征提取。

1)时域特征提取策略。

针对房颤发生时RR 间期呈现绝对不规则的特点，提取RR 间期的均方差、最大值、最小值、平均值、偏度、峰度和变异系数等统计值，以及基于洛伦兹散点图得到的特征，用于房颤的检测与识别。洛伦兹散点图相关的特征包括:反映心拍之间的变化率平均增长步长参数(stepping)、反映洛伦兹散点图中各点和对角线的分布离散程度的分散率参数(dispersion，disper)[16]，对RR 间期做一阶差分得到的不规则度参数(irregularity evidence，irrEv)、密度参数(density evidence，Density)、代偿间歇参数(PACEvidenc，PACEv)和综合指标( AFEvidence，AFEv)等[3]。

针对早搏发生时联律的出现会呈现出间期长短相间的特点，本研究将相邻RR 间期间呈现代偿间歇规律特征的心拍视为二联律的发生，提取了相对于每个心拍出现的比例、RR 间期变异系数与每两个相邻RR 间期为单位的变异系数之比，以及每两个相邻RR 间期的平均值，作为区分早搏的时域特征。

束支传导和一度房室阻滞最为显著的特征为间期延长。为此，本研究将QRS 波群宽度的平均值、中位数、标准差，Q 波和R 波宽度的中位数、变异系数等，用于识别束支传导和一度房室阻滞的特征；因为阻滞发生后，还伴随有S 波畸形和ST 段间期缩小等特点，所以提取了T 波宽度平均值和RT平均长度等作为阻滞的特征。此外，在粗略定位了P 波和T 波及其起止点后，还提取了PR 间期长度平均值、标准差等，作为区分一度房室阻滞的特征。

进一步，本研究将基于RR 间期分析得到的样本熵系数、样本熵、复杂度、心率的平均数和标准差等也作为时域特征。

2)频域特征提取策略

心电信号是周期节律性信号，在一个心动周期中，不同特征波的频带范围不同。例如，QRS 波主要集中在20 Hz 以下，正常P 波和T 波的主要频率段分别在5～30 Hz 和0 ～10 Hz 范围内[17]。当发生某些心律失常时，这些特征波的频段会发生改变。房颤的f 波频率范围在3 ～10 Hz[18]。因此，首先对心电信号进行功率谱分析，然后提取3 ～10 Hz 的能量值、3～10 Hz 能量占比、0.1 ～5 Hz 能量占比、10 ～20 Hz 能量占比、20～100 Hz 能量占比等多个频段作为频域特征；接着，对R 波前200 到60 ms 间的片段(可能存在P 波)进行4 层连续小波变换，获取各层能量系数与整体能量的比例、各层小波系数均值和各层小波变换系数中大于平均系数的占比等作为频谱特征；最后，参照大多数相关方法，在对心电信号进行6 层小波变换后，将各层能量系数作为频谱特征。

3)形态特征提取策略。

心电图信号的幅度是临床医生最关注的形态特征，本研究将R 波和S 波的平均幅度、标准差和中位数以及T 波的平均幅度等作为形态特征。由于Q 波、S 波、P 波和T 波在某些心律失常发生时可能不存在，因此将它们相对于R 波出现次数的比例也作为一类形态特征。此外，每个心拍信号整体幅度的平均值、最大最小值和中位数，以及信号幅度的统计偏度和峰度等，也是本研究采用的形态特征。

QRS 波畸形是束支阻滞的特征之一。Q 波(没有Q 波时采用QRS 波起点代替)和R 波之间片段幅度值的一阶差分后小于0 的情况，被定义为QR段出现切记[19]。本研究将QR 段的斜率平均值、中位数和切记比例，以及RS 段的斜率平均值、中位数和切记等，纳入区分束支阻滞的形态特征。

针对房、室性早搏在形态上的特征，本研究将基于多重分形去波动分析得到的奇异程度的最大值和最小值、分形谱的宽度、赫斯特指数的最大值和最小值纳入了区分房、室性早搏的重要形态特征[20]。

1.2.2 深度特征提取

针对数据可能的不等长问题，首先统一将心电图信号截取为16 384 个采样点的时长片段。对长于该时长的心电图信号进行截断操作，对于不足该时长的心电图信号进行末尾补零处理(见图1)。为了加快训练进程和收敛速度，这一步还对所有的输入心电图信号进行了标准数据归一化处理(即常用的白化操作)；然后，分别采用残差块和双向长短时记忆(bi-directional long short memory，BiLSTM)网络，提取心电图信号的卷积特征和时序序列特征。

1)基于残差块网络的深度特征提取。

所采用的残差块网络根据Awni 等[14]的方法修改而来。为了避免梯度消除问题，原网络采用了目前最常用的Relu 作为激活函数[21]，且每两个一维卷积层、两次批归一化处理、两个以Relu 为函数的激活层和一个Droupout 层作为一个小残差块，共计16 个残块。在此基础上，以每3 个小残差块为1 个大残差块，总共3 个大残差块，形成了残差嵌套结构。这种改进能够加强浅层网络中的形态特征与后面深度特征的结合，而残差块中的批归一化和Droupout 层用于加速网络收敛和减少过拟合。在经过残差块的一次批归一化、Relu 激活层和全局最大池化获得特征序列后，通过全连接层映射成更为抽象的特征空间，由此获得心电信号在第一个尺度上的特征，后面称为残差块特征。值得一提的是，在残差块网络中，卷积核大小都为16，步长为1，卷积层的初始权重按照文献[22]中的描述进行设置。

2)基于BiLSTM 网络的深度特征提取。

为了充分挖掘心电图信号的特征信息，受Oh等[23]方法的启发，引入LSTM 参与时间尺度的特征提取。为了更好地联系前后时间关系特征，采用了BiLSTM 网络结构。

心电信号经过第1 个残差块处理后，送入由一维卷积层、Relu 和步长为2 的最大值池化层组成的卷积模块通道。该模块通道需要重复4 次，4 次卷积核大小分别设置为16、8、6、4，步长都为1，每次卷积含有32 个隐藏单元。在通过卷积模块通道后，进入以双向LSTM 为主的模块，以获取心电信号的时序特征。对于序列越长的信号处理，LSTM 单元的运算复杂度也会呈平方增加，所以本研究通过加深特征的深度来减少数据量，从而加快BiLSTM 的训练速度。本研究采用的BiLSTM 层含有64×2 个隐藏单元，并只在最后一个记忆单元输出，以得到第2个尺度上的特征，后称为BiLSTM 特征。

1.2.3 基于特征的分类识别

将传统专家特征作为第3 个尺度上的特征，送入节点数为32 的全连接层进行处理。全连接层的作用在于对传统专家特征做自动加权映射，以甄别出最利于分类的特征组合，避免了传统专家特征的优化工作。经全连接层处理后的传统专家特征再与残差块和BiLSTM 网络提取的深度特征进行融合，最后融合特征通过全接连层映射为各个心律失常类别，用sigmoid 函数进行多种心律失常的概率预测。

图2所示为基于特征融合的多种心律失常识别网络结构。

图2 基于特征融合的多种心律失常识别网络结构Fig.2 The structure of the proposed method

1.2.4 Loss 函数计算

本研究采用评价多分类的F1 分数与1 的差值作为loss 函数，称为F1＿loss，在图像处理领域也称为Dice loss，常用来衡量相似程度。在心律失常分类中，对于独热码形式的标签预测值也可以与真实值进行相似度评价。通常F1 分数的取值为多个样本间的平均值，相对于常用的多分类交叉熵函数，在样本不均衡时具有更好的抑制过拟合的能力。一个通常意义的F1＿loss 计算公式如下:

式中，p代表sigmoid 函数的预测值，代表其真实标签，它们的取值范围为[0，1]。

1.2.5 超参数设置

采用优化算法Adam[24]，对本研究算法进行优化。学习率设置为0.001，其余参数按默认值设置。最小批量(mini batch)设置为55，训练周期(epoch)为100 次。为了防止过拟合，引入了早停法(early stop)和 Droupout 层。早停法最小损失设为0.000 1，连续10 个周期小于这个最小损失将停止训练，所有Droupout 层的损失率设置为0.5。

1.2.6 分类性能评估

采用5 折交叉验证的方式进行算法的训练和性能测试。在静、动态两个数据集上的训练、验证和测试数据的划分方式如图3所示。每一折中训练数据的1/10 用于验证集，测试集完全独立于训练过程。

图3 5 折交叉验证中每一折训练、验证和测试集划分方式Fig.3 The way to divide the training，validation for each fold in the five-fold cross-validation

实验的硬件平台是RAM 为128 GB 的深度学习服务器，其显卡为RTX2080Ti。深度学习平台基于TensorFlow 的Keras，其中TensorFlow 的版本为1.14.0，Keras 的版本为2.2.4。

采用能够综合反映多分类性能的F1 分数、灵敏度和特异性来评估算法的性能，其中属于某一类别i的F1 分数计算过程如下:

式中:F1i为识别第i类疾病的F1 分数，i的取值范围为1～7；Nij和Nji分别为第i类预测为第j类疾病的数量和第j类预测为第i类疾病的数量。

总的F1 分数为所有类别的F1 分数之和取平均。假设总分类数为n，那么对n分类的F1 分数计算如下:

2 结果

2.1 基于不同特征的分类识别性能验证结果

为了验证来自残差块网络、BiLSTM 网络和传统专家3 个不同尺度特征对算法分类识别的影响力，本研究验证了这3 个尺度的特征及其随机组合成7种特征模式的性能，包括:专家特征、残差块和BiLSTM 网络分别提取的特征(3 种)、3 种尺度的特征两两融合(3 种)以及3 种尺度特征融合(1 种)。这7 种特征模式在CPSC2018 静态ECG 数据集上识别6 种心律失常和1 种正常节律，分类识别的F1 分数如表3所示。由表3可知，单独基于专家特征、残差块和BiLSTM 网络特征的测试结果显示，本研究算法的整体F1 分数分别为0.766、0.826 和0.800，说明基于单独的残差块网络特征的整体分类效果最优。从对每种心律失常的分类识别结果来看，专家特征对右束支阻滞和房颤具有较高的识别能力，BiLSTM 网络特征对右束支阻滞和房性早搏的识别性能较好，而残差块网络特征则对右束支阻滞、房颤、室性早搏和一度房室阻滞分类效果较优。

表3 基于不同特征模式的分类识别F1 分数Tab.3 F1 scores of classification based on different feature patterns

基于4 种组合特征的实验结果显示，除了基于BiLSTM+残差块网络组合特征以外，基于其余组合特征的性能均优于基于单独特征的性能，但基于BiLSTM+残差块网络组合特征的性能，相对于相关的两种单独特征而言，在右束支阻滞和房性早搏的分类识别效果上有明显提升，在一度房室阻滞和室性早搏上有所降低。

进一步计算了专家特征+残差块+BiLSTM 特征融合模式下的分类识别灵敏度和特异性，如表4所示。除LBBB 以外，识别其他类别的灵敏度均在0.820 以上，而识别所有类别的特异性均超过0.940。平均分类识别灵敏度和特异性分别为0.766 和0.802，说明获得了较好的性能。

表4 基于专家特征+残差块+BiLSTM 特征融合的分类识别灵敏度和特异性Tab.4 Sensitivity and specificity of classification recognition based on expert + residual blocks + BiLSTM features fusion

进一步将本研究算法的5 折交叉验证结果与其他3 个相关研究进行比较。Wang 等[25]通过搭建卷积网络，将信号特征提取后送入LSTM 网络，与本研究方法有较强对比性。He 等[26]和Liu 等[27]分别获得了CPSC2018 竞赛的第3 名和第7 名，并将结果公开发表，因此将本研究方法与他们的方法作了对比。两个对比方法均采用了残差块网络结构，不同的是:He 等利用残差块网络提取特征后再经过BiLSTM 网络提取；而Liu 等采用残差块网络获取的特征与他们提取的专家特征融合，用于训练一个Xgboost 模型后进行分类识别。本研究方法与对比方法分类识别正常、房颤、一度房室阻滞、左束支传导阻滞、右束支传导阻滞、室性早搏和房性早搏等7种节律，F1 分数比较如图4所示。由图可知，在所有对比方法中，本研究方法在正常、房颤、室性早搏与房性早搏上的F1 分数最高。特别是在房颤识别上，获得了0.938 的F1 分数，具有很强的房颤识别能力，而且在其他心律失常的识别上也获得了较好的性能。

图4 本研究方法与对比方法分类识别7 种心电节律的F1 分数比较Fig.4 Comparison of the F1 scores of the proposed method with the comparative methods of classifying 7 cardiac rhythms

2.2 在单导联动态ECG 上的分类识别能力

为了说明本研究方法在单导联动态ECG 上的分类识别能力，笔者在CINC2017 动态ECG 数据集上，对本研究提出的多尺度特征融合方法进行了训练和测试，并与CINC2017 竞赛中两个并列第一的方法和相关方法进行了比较。其中，Datta 等[28]采用了传统的特征提取与筛选技术，通过训练集成学习的AdaBoost 模型，对各节律心电信号进行分类。Zabihi 等[29]通过提取大量的特征，采用训练随机森林模型进行分类。Wang 等[25]通过搭建卷积网络，将信号特征提取后，送入LSTM 网络进行分类识别。Mahajan 等[30]将短程单导联ECG 信号送入随机森林，获得分类识别结果。本研究方法与对比方法的实验结果如图5所示。

图5 本研究方法在单导联动态ECG 数据集上的分类识别能力与比较(其中，N、AF 和other 分别代表正常、房颤和其他心律失常)Fig.5 Performance and comparison of the proposed method with others on single-lead dynamic ECG dataset(Where N，AF and other represent normal，atrial fibrillation and other arrhythmias，respectively)

3 讨论

本课题对常见节律类心律失常(房颤、房/室性早搏)和阻滞类心律失常(一度房室阻滞、左/右束支阻滞)进行了智能识别的研究，将神经网络与传统专家特征相结合，提出了一种能够区分正常、AF、PVC、PAC、LBBB、RBBB 和I-AVB 等常见节律的智能识别方法。

从表3可以看出，传统专家特征可以明显辅助提升深度网络的分类识别能力。当只用BiLSTM 网络特征时的平均F1 分数为0.802，只用残差块网络特征时的平均F1 分数为0.826，而当分别在两种网络特征上融合了传统专家特征后，平均F1 分数分别提升到了0.817 和0.851。BiLSTM 网络融合残差块网络特征时的分类平均F1 分数为0.811，而在此基础上添加了传统专家特征后，平均F1 分数就达到了0.855。实验结果表明，专家特征与深度特征融合策略具有较好的的可行性和有效性，也表明不同尺度特征融合能够取长补短，使算法达到更好的分类识别性能。

此外，基于两种特征融合的方法中，残差块网络+专家特征融合的方法是最好的，其平均F1 达到了0.851，甚至在一度房室阻滞的识别上略优于3种特征融合，但在其他节律类型上的平均分类识别能力均弱于3 种特征融合的性能。这说明，BiLSTM网路特征对于像早搏和束支阻滞这类按单独心拍发生的心律失常识别能力较强，而对在整个时间段中遍布发生的心律失常识别能力较弱，原因可能是由LSTM 的性质决定的。LSTM 通过对信号相邻时间单元间的一种反馈循环机制，实现对时间状态的分析，使重要信息被保留、不相关的信息被遗忘[31]。在本研究中，识别单独心拍发生的心律失常可能更需要联系上下文的信息，对于遍布发生的心律失常，上下文信息相对没那么重要。

众所周知，便携式设备采集的单导联动态ECG信号干扰大，质量较差。图5中CINC2017 数据库的实验结果表明，本方法在较低信噪比的单导联心电信号上鉴别常见的心律失常，仍然具备良好的性能和泛化能力。这一部分得益于CNN 对噪声不敏感[32]，它在一定程度上能够胜任处理由便携式设备采集的、具有强干扰的单导联心电信号。另外，传统专家特征中也存在一些基于不易受到噪声干扰的特征(如RR 间期特征)，这进一步增强了本方法在较低信噪比的单导联心电信号上鉴别常见心律失常的鲁棒性。

综上所述，本研究的主要贡献有3 个方面:

1)建立了一种能够区分正常、AF、PVC、PAC、LBBB、RBBB 和I-AVB 等常见节律的智能识别方法，这种方法可扩展性强，无论是在12 导联还是单导联中都能获得优良的性能。

2)验证了传统方法提取的心电特征与深度网络提取的心电特征对区分多种心律失常具有一定的互补性，提出了结合两类特征信息的新思路，以达到更好的多种心律失常的识别效果。

3)提取一些传统专家特征，如基于RR 间期的特征以及心电波形幅度特征等，作为诊断心律失常的重要临床信息。在深度学习网络的框架上融入传统专家特征，提高了基于深度学习的心律失常识别方法的可解释性和应用价值。

本研究方法也存在一些局限性。提出结合传统和深度网络特征来识别多种心律失常的方法，虽然在肢体导联上取得了较好效果，但是否对其他导联(如胸前导联)也有类似的效果还需要作进一步的分析。在改善深度学习分类常见心律失常的特征可解释性上，提供了深度网络特征+专家特征的思路。然而，传统专家特征的提取受到人类认知和信号处理技术的限制，其准确性因不同方法差别较大，其他传统特征提取方法是否可以替代本研究对应的方法，还需要作进一步的探索。

4 结论

本研究从ECG 信号的时域、频域和形态上提取传统专家特征，采用残差块和BiLSTM 深度网络自动获取深度特征，提出了一种基于传统专家特征和深度特征融合的常见心律失常(房颤、房/室性早搏、一度房室阻滞和左/右束支阻滞)和正常节律的识别方法。在CPSC2018 单导联静态ECG 数据集上的测试结果表明，本研究方法的性能优于其他现有的相关方法。在CINC2017 单导联动态ECG 数据集上进一步证实了本研究方法识别常见心律失常的有效性和可行性，因此在常见心律失常的辅助诊断和监护中具有较好的应用前景。

在下一步的研究中，一是验证本研究方法适应不同穿戴式设备采集的心电信号能力，二是开展临床预实验并建立相应的临床应用模式。