DeepBoost-AF：用于原始 ECG 信号稳健心房颤动检测的无监督特征学习与梯度提升融合新方法
机器学习
2025-10-08 v2
摘要
心房颤动是一种伴有较高健康风险的常见心律失常，及时检测对于降低中风相关发病率至关重要。本研究引入了一种创新混合方法，整合无监督深度学习与梯度提升模型以改善心房颤动检测。将一个 19 层的深度卷积自编码器（DCAE）与三种提升分类器——AdaBoost、XGBoost 和 LightGBM（LGBM）——相结合，以发挥其互补优势并弥补各自的局限。所提框架独特地将 DCAE 与梯度提升相结合，实现了无需人工特征提取的端到端心房颤动识别。DCAE-LGBM 模型取得了 95.20% 的 F1 分数、99.99% 的灵敏度以及 4 秒的推理延迟，优于现有方法并符合临床部署要求。DCAE 的整合显著增强了提升模型，使该混合系统成为临床环境中自动化心房颤动检测的可靠工具。
引用
@article{arxiv.2505.24085,
title = {DeepBoost-AF: A Novel Unsupervised Feature Learning and Gradient Boosting Fusion for Robust Atrial Fibrillation Detection in Raw ECG Signals},
author = {Alireza Jafari and Fereshteh Yousefirizi and Vahid Seydi},
journal= {arXiv preprint arXiv:2505.24085},
year = {2025}
}
备注
12-page,4 figures,3 tables, Achieves 95.20% F1-score (99.99% sensitivity) on 8,528 PhysioNet 2017 recordings, Mean inference time: 4 seconds, Python implementation will be open-sourced upon publication