用于心房颤动驱动源检测的心内电图的潜在表征
机器学习
2025-07-29 v1 计算机与社会
摘要
心房颤动（AF）是最常见的持续性心律失常，但当前的消融治疗（包括肺静脉隔离）在持续性AF中通常无效，原因在于非肺静脉驱动源的参与。本研究提出了一种深度学习框架，使用卷积自编码器对消融研究中AF期间记录的单极和双极心腔内电图（EGM）进行无监督特征提取。这些心房电活动的潜在表征实现了EGM分析的特征化与自动化，从而促进了AF驱动源的检测。该数据库由来自291名患者的11,404次采集记录组成，包含228,080个单极EGM和171,060个双极EGM。自编码器成功学习了具有低重建损失的潜在表征，并保留了形态特征。提取的嵌入使下游分类器能够以中等性能（AUC 0.73-0.76）检测旋转和局灶性活动，并在识别心房EGM缠绕方面取得了高判别性能（AUC 0.93）。所提出的方法可实时运行，并能集成到临床电解剖标测系统中，以协助在消融手术过程中识别致心律失常区域。这项工作突显了无监督学习从心内信号中揭示具有生理意义特征的潜力。
引用
@article{arxiv.2507.19547,
title = {Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection},
author = {Pablo Peiro-Corbacho and Long Lin and Pablo Ávila and Alejandro Carta-Bergaz and Ángel Arenal and Carlos Sevilla-Salcedo and Gonzalo R. Ríos-Muñoz},
journal= {arXiv preprint arXiv:2507.19547},
year = {2025}
}