用于血管年龄预测及研究吸烟所致 ECG 变化的低成本单导联 ECG 模块评估

血管年龄传统上通过侵入性方法或 12 导联心电图(ECG)测量。本文利用低成本单导联（I 导联）ECG 模块预测表面健康年轻人的血管年龄。此外，我们还研究了吸烟对轻度但习惯性吸烟者 ECG 迹线的影响。我们首先使用自制的低成本单导联 ECG 模块收集 42 名 18 至 30 岁表面健康受试者（吸烟者与不吸烟者）的（I 导联）ECG 数据，以及人体测量数据，例如身体质量指数、吸烟状况、血压等。在我们提出的方法下，我们首先对数据集进行预处理：对 ECG 迹线去噪，随后去除基线漂移，再进行 z-score 归一化。接下来，我们将 ECG 迹线划分为五秒时长的重叠段，创建另一个数据集。然后我们将分段和未分段的数据集输入若干机器学习模型、一维卷积神经网络和 ResNet18 模型，用于血管年龄预测。我们还进行了迁移学习，即在公开 PPG 数据集上预训练模型，随后在我们的未分段 ECG 数据集上微调并评估。随机森林模型优于所有其他模型和先前工作，在分段 ECG 数据集、未分段 ECG 数据集和迁移学习场景下分别取得了均方误差(MSE) 0.07 和决定系数 R2 0.99、MSE 3.56 和 R2 0.26、MSE 0.99 和 R2 0.87。最后，我们利用可解释 AI 框架识别那些受吸烟影响的 ECG 特征。本工作契合联合国可持续发展目标 3 和 10，旨在为弱势群体制备低成本但优质的医疗解决方案。本工作亦在法医学的广泛领域中找到应用。