心电心律失常AI筛查实验：噪声信号下的鲁棒分类

医疗AI实验室近期完成心律失常心电AI筛查第一阶段实验，重点验证信号噪声对模型鲁棒性的影响。真实心电数据普遍存在基线漂移、肌电干扰与电极接触不良等问题，直接影响算法的临床可用性。团队构建了约1.2万条标注的十二导联心电训练集，覆盖房颤、早搏、传导阻滞等常见类别，并引入噪声模拟策略与多尺度卷积结构，使模型学习噪声不变特征。
主要进展：1）在含模拟干扰的噪声测试集上，房颤识别灵敏度达0.93，较基线模型提升约7个百分点，误报率控制在较低水平；2）经蒸馏压缩后模型参数量降至原规模的1/8，满足可穿戴与床旁设备的算力条件。
下一步，实验室将与医院科室合作开展前瞻性验证，重点测试跨设备、跨人群的稳定性，并完善筛查结果的可解释性输出，为医生复核提供可靠依据。团队将持续记录实验细节与数据表现。