AI心电图识别：从心电信号到深度学习模型的完整实战

之前在医院心电图室排队时，看到医生每天要解读数百份心电图，每一份都涉及波形识别、间期测量、节律判断等多个维度，工作强度非常大。这种场景让我开始关注 AI 在心电图辅助诊断中的应用。实际上，AI 读取心电图并不是要把医生替换掉，而是通过深度学习模型快速完成初筛、标注和风险提示，把医生从重复性劳动里解放出来。

本文会围绕“AI 如何快速识别心电图中的隐藏心脏疾病信号”这一主题，完整拆解从心电信号原理、数据集处理到深度学习模型训练的整套流程。内容包含可运行的 Python 代码、模型设计思路、推理性能优化方法和常见踩坑点，适合对 AI 医疗影像、时序信号分类感兴趣的开发者和算法工程师阅读。

1. AI 心电图分析的核心概念

1.1 心电图是什么，AI 在分析什么

心电图（Electrocardiogram，ECG）记录的是心脏在每一心动周期中产生的电生理活动。心脏的起搏点窦房结发出电信号后，电激动依次通过心房、房室结、希氏束、左右束支和浦肯野纤维，最终引起心肌收缩。这个过程中产生的电位变化通过体表电极捕捉，就形成了我们熟悉的 P 波、QRS 波群、T 波等波形。

AI 做的事情，本质上是一种时间序列分类任务：输入一段 10 秒或更长的 ECG 信号，输出该信号所对应的疾病类别，例如正常窦性心律、房颤、室性早搏、ST 段抬高、房室传导阻滞等。和人类医生看图的思路不同，AI 模型不需要手动测量 QT 间期、计算心率变异性，而是直接从原始信号中学习到高维特征表示，这也是深度学习在医学信号处理中的核心优势。

有一点需要区分清楚：AI 心电图分析不等于“AI 诊断疾病”。临床上，心电图只是辅助检查之一，很多心脏疾病需要结合病史、超声、心肌酶谱等综合判断。当前主流做法是让 AI 先做预筛查，输出可疑类别和置信度，再由医生做最终诊断。这类系统在胸痛中心、体检中心和远程心电监测场景中已经有不少落地案例。

1.2 为什么 AI 能“秒级”读出隐藏信号

所谓“隐藏的心脏疾病信号”，在技术层面指的是人眼不易察觉但模型能捕捉到的微弱特征。例如心房颤动早期的 f 波替代规则 P 波，幅度很小，在噪声干扰下肉眼常常会漏掉；再比如 QT 间期轻微延长，这种变化在单张静态心电图上非常容易被忽略，但却是恶性心律失常的重要预警信号。

深度学习模型的能力来自于大量标注数据的训练。模型在训练过程中不断调整数千万个参数，逐步学会从原始波形中提取与疾病相关的模式。一旦训练完成，单次前向推理的时间通常在毫秒级别。以一张采样率 500Hz、时长 10 秒的心电信号为例，输入数据量是 5000 个采样点，一个轻量级卷积神经网络（CNN）在 GPU 上跑完一次推理只需要几毫秒到几十毫秒，在 CPU 上也能做到一秒以内。

当然，“不到 2 秒”这个指标不能只算模型推理时间，还要考虑信号预处理、数据加载、结果后处理等环节。一个完整的心电 AI 分析流程通常包括：读取原始 ECG 数据、滤波去噪、切割固定长度片段、模型推理、概率解码和报告生成。后面我们会逐一拆解这些环节，并在实战案例中实现一个完整流程。

1.3 常见应用场景

AI 心电图分析在现实中的落地场景大致分为三类：

• 大规模体检筛查：每天产生大量心电图数据，AI 先做初筛，把明显异常的信号挑出来优先让医生复读。
• 远程心电监测：可穿戴设备采集的单导联 ECG 信号质量参差不齐，AI 可以实时判断是否需要报警。
• 急诊胸痛分诊：对疑似急性心肌梗死患者，快速的 ST-T 改变识别能帮助医生缩短决策时间。

这三类场景对模型的共同要求是：推理速度快、结果可解释、对噪声鲁棒。后面章节会围绕这些要求展开。

2. 环境准备与数据集说明

2.1 开发环境

本文的代码示例以 Python 3.9+ 为基础，深度学习框架使用 PyTorch。你需要安装以下依赖：

bash复制pip install torch torchvision
pip install numpy pandas scikit-learn wfdb matplotlib

其中 wfdb 是一个用于读取 PhysioBank 心电数据库的 Python 库，后面我们会用它读取 MIT-BIH 数据集中的心电信号。版本方面，PyTorch 使用 1.13 或 2.x 均可，代码中用到的 API 在这两个版本下都能运行。如果显卡显存不足，也可以用 CPU 完成训练，只是速度会慢一些。

2.2 数据集选择

心电 AI 研究中最常使用的公开数据集是 MIT-BIH Arrhythmia Database。这个数据集包含 48 条双通道动态心电图记录，每条记录时长约 30 分钟，采样率 360Hz，总共有超过 10 万个心拍，每个心拍都有专家标注的类别标签。

如果你希望复现本文结果，建议使用另一个更规整的数据集：China Physiological Signal Challenge 2020 或者 Georgia 12-Lead ECG Challenge 数据集。不过，为了降低下载和预处理门槛，本文直接使用 MIT-BIH 数据集，并只提取其中的正常（N）、室早（V）、房早（A）三类心拍做分类演示。

有一点必须说明：MIT-BIH 原始数据是心电图波形加上每个心拍的 R 波位置标注，因此需要先做心拍切割，再训练分类模型。关于数据集版权和许可，PhysioBank 上的数据遵循特定使用协议，仅限科研用途，商用前需要获得相应授权。

2.3 项目结构

为了便于阅读，我们按以下目录组织代码：

code复制ecg-ai/
├── data/
│   ├── mitdb/          # 原始数据存放目录
│   ├── preprocess.py   # 数据预处理脚本
│   └── dataset.py      # 数据加载器
├── models/
│   └── cnn.py          # 模型结构定义
├── train.py            # 训练脚本
├── infer.py            # 推理脚本
└── requirements.txt    # 依赖清单

下面各个小节会逐个创建这些文件，并详细解释每一段代码的作用。

3. 心电图信号处理流程详解

3.1 为什么要做预处理

原始心电图不能直接扔给神经网络。原因有三个：第一，原始信号中存在基线漂移、肌电干扰和工频干扰，这些噪声会干扰模型学习真实的心电形态；第二，不同设备的采样率不一致，需要统一长度，否则无法组成 batch 训练；第三，原始心电信号幅值范围不固定，需要做归一化，否则模型难以收敛。

预处理步骤中，最常见的是带通滤波。心电信号的有效能量集中在 0.5Hz 到 100Hz 之间，因此可以滤掉低频基线漂移和高频噪声。下面使用 scipy.signal 实现一个巴特沃斯带通滤波器：

python复制from scipy.signal import butter, filtfilt
import numpy as np

def bandpass_filter(data, lowcut=0.5, highcut=45, fs=360, order=4):
    nyquist = 0.5 * fs
    low = lowcut / nyquist
    high = highcut / nyquist
    b, a = butter(order, [low, high], btype='band')
    # filtfilt 是零相位滤波，避免信号偏移
    y = filtfilt(b, a, data, axis=0)
    return y

这里需要留意的是：滤波频率上限设置为 45Hz 而不是 100Hz，是为了在保留主要波形特征的同时尽量滤除肌电干扰。如果你处理的是 12 导联数据，可以对每个导联分别做相同的滤波操作。

3.2 心拍切割与对齐

MIT-BIH 数据集中已经给出了每个心拍的 R 波位置，我们只需要在 R 波位置前后各取一段固定长度的信号，就能得到单个心拍样本。以 R 波位置为中心，取前 99 个采样点、后 150 个采样点，组成一个长度为 250 的样本。这个长度覆盖了 P 波、QRS 波群和 T 波的主要形态。

python复制import wfdb

def load_ecg_record(record_name):
    record = wfdb.rdrecord(record_name)
    annotation = wfdb.rdann(record_name, 'atr')
    signal = record.p_signal[:, 0]  # 取第一导联
    signal = bandpass_filter(signal, fs=record.fs)
    return signal, annotation.sample, annotation.symbol

切割时要注意处理边界情况：如果 R 波位置太靠近信号头部或尾部，就丢弃这个心拍，否则会截取出超出范围的索引。

python复制def extract_beats(signal, r_positions, symbols, fs=360, before=99, after=150):
    beats = []
    labels = []
    for pos, symbol in zip(r_positions, symbols):
        start = pos - before
        end = pos + after
        if start < 0 or end > len(signal):
            continue
        beat = signal[start:end]
        # 做幅度归一化
        beat = (beat - beat.mean()) / (beat.std() + 1e-8)
        beats.append(beat)
        labels.append(symbol)
    return np.array(beats), np.array(labels)

归一化这一步非常关键。每个心拍的绝对幅度受电极接触和个体差异影响很大，去掉均值和标准差后，模型能更关注波形形态而非幅度。

3.3 数据不平衡问题

在真实的 MIT-BIH 数据集中，正常心拍（N）数量远多于房早（A）和室早（V）。如果直接训练，模型会倾向于把所有样本预测为正常，准确率虚高但实际没有临床价值。常用的处理办法有三种：

• 重采样：对少数类做上采样，或对多数类做下采样。
• 加权损失：在交叉熵损失中为少数类分配更高的权重。
• 数据增强：对心拍信号加入轻微噪声、时间拉伸等变换。

本文的实战示例会采用加权损失的方式，因为它不需要改变数据集本身，实现最简单。

4. 完整实战：训练一个心电分类模型

4.1 创建数据加载器

训练模型之前，我们需要把预处理后的心拍数据封装成 PyTorch 的 Dataset 和 DataLoader。新建 data/dataset.py：

python复制import torch
from torch.utils.data import Dataset, DataLoader

class ECGDataset(Dataset):
    def __init__(self, features, labels):
        self.features = torch.FloatTensor(features)
        self.labels = torch.LongTensor(labels)

    def __len__(self):
        return len(self.labels)

    def __getitem__(self, idx):
        return self.features[idx], self.labels[idx]

这个 Dataset 很简单：输入特征是长度为 250 的一维心拍信号，标签是类别索引。为了让模型看到完整的信号形态，我们保留一维结构，不需要额外增加维度。

4.2 定义 CNN 模型

新建 models/cnn.py，我们设计一个轻量级的一维卷积神经网络。网络结构包含四层卷积和两层全连接，输入是 250 个采样点，输出是 3 个类别概率：

python复制import torch.nn as nn

class ECGCNN(nn.Module):
    def __init__(self, num_classes=3):
        super().__init__()
        self.features = nn.Sequential(
            nn.Conv1d(1, 32, kernel_size=5, stride=1, padding=2),
            nn.BatchNorm1d(32),
            nn.ReLU(),
            nn.MaxPool1d(2),

            nn.Conv1d(32, 64, kernel_size=5, stride=1, padding=2),
            nn.BatchNorm1d(64),
            nn.ReLU(),
            nn.MaxPool1d(2),

            nn.Conv1d(64, 128, kernel_size=3, stride=1, padding=1),
            nn.BatchNorm1d(128),
            nn.ReLU(),
            nn.MaxPool1d(2),

            nn.Conv1d(128, 256, kernel_size=3, stride=1, padding=1),
            nn.BatchNorm1d(256),
            nn.ReLU(),
            nn.AdaptiveAvgPool1d(1),
        )
        self.classifier = nn.Sequential(
            nn.Linear(256, 128),
            nn.ReLU(),
            nn.Dropout(0.5),
            nn.Linear(128, num_classes),
        )

    def forward(self, x):
        # 输入形状: (batch, 1, 250)
        x = self.features(x)
        x = x.view(x.size(0), -1)
        x = self.classifier(x)
        return x

为什么选择一维卷积而不是 LSTM？卷积网络在局部模式识别上非常高效，心拍信号中的 QRS 形态、ST 段变化都是一种局部模式，卷积核能够平移扫描整条信号，提取不同位置的形态特征。而且 CNN 的推理速度远快于循环神经网络，更适合“秒级出结果”的场景。

AdaptiveAvgPool1d(1) 的作用是让最后一个卷积层的输出变成一个固定长度的特征向量，这样不管输入信号长度如何变化，全连接层的输入维度都不会变。当然，本文的输入长度固定为 250，这个操作更多是为了模型结构的鲁棒性。

4.3 编写训练脚本

新建 train.py，完整代码如下：

python复制import numpy as np
import torch
import torch.nn as nn
from torch.optim import Adam
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from data.dataset import ECGDataset
from data.preprocess import load_and_extract_beats
from models.cnn import ECGCNN

def main():
    # 参数配置
    record_list = ['data/mitdb/100', 'data/mitdb/101', 'data/mitdb/105']
    fs = 360

    all_beats, all_labels = [], []
    for record_name in record_list:
        beats, labels = load_and_extract_beats(record_name, fs=fs)
        all_beats.append(beats)
        all_labels.append(labels)

    # 只保留 N、V、A 三类
    allowed = {'N': 0, 'V': 1, 'A': 2}
    beats_list, labels_list = [], []
    for beats, labels in zip(all_beats, all_labels):
        for b, lb in zip(beats, labels):
            if lb in allowed:
                beats_list.append(b)
                labels_list.append(allowed[lb])

    X = np.stack(beats_list)
    y = np.array(labels_list)

    # 划分训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, stratify=y, random_state=42
    )

    train_ds = ECGDataset(X_train, y_train)
    test_ds = ECGDataset(X_test, y_test)
    train_loader = DataLoader(train_ds, batch_size=64, shuffle=True)
    test_loader = DataLoader(test_ds, batch_size=128, shuffle=False)

    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    model = ECGCNN(num_classes=3).to(device)

    # 加权交叉熵损失
    class_counts = np.bincount(y_train)
    weights = 1.0 / (class_counts + 1e-6)
    weights = weights / weights.sum()
    class_weights = torch.FloatTensor(weights).to(device)
    criterion = nn.CrossEntropyLoss(weight=class_weights)

    optimizer = Adam(model.parameters(), lr=1e-3)

    epochs = 30
    for epoch in range(epochs):
        model.train()
        running_loss = 0.0
        for inputs, labels in train_loader:
            inputs = inputs.unsqueeze(1).to(device)
            labels = labels.to(device)

            outputs = model(inputs)
            loss = criterion(outputs, labels)

            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
            running_loss += loss.item()

        # 每个 epoch 后在测试集上评估
        model.eval()
        correct = 0
        total = 0
        with torch.no_grad():
            for inputs, labels in test_loader:
                inputs = inputs.unsqueeze(1).to(device)
                labels = labels.to(device)
                outputs = model(inputs)
                _, preds = torch.max(outputs, 1)
                correct += (preds == labels).sum().item()
                total += labels.size(0)

        print(f'Epoch {epoch+1}/{epochs}, loss={running_loss/len(train_loader):.4f}, acc={correct/total:.4f}')

    # 保存模型
    torch.save(model.state_dict(), 'ecg_model.pth')

    # 测试集详细指标
    model.eval()
    y_pred = []
    with torch.no_grad():
        for inputs, labels in test_loader:
            inputs = inputs.unsqueeze(1).to(device)
            outputs = model(inputs)
            _, preds = torch.max(outputs, 1)
            y_pred.extend(preds.cpu().numpy())
    print(classification_report(y_test, y_pred, target_names=['Normal', 'Ventricular', 'Atrial']))

if __name__ == '__main__':
    main()

注意代码中的 record_list 是根据你下载的 MIT-BIH 实际记录文件名来填的。我这里写的是 'data/mitdb/100'、'data/mitdb/101' 这样的路径，你需要先从 PhysioBank 网站下载 ANNOTATORS 和 DAT 文件，放在 data/mitdb/ 目录下，或者使用 wfdb 库自带的下载功能。

4.4 推理脚本与“2 秒出结果”

训练完成后，新建 infer.py，这个文件模拟了线上推理场景：读取一段完整的心电信号，自动检测 R 波位置，提取心拍，逐个送入模型，最终汇总每一拍的结果并统计疾病相关的异常心拍比例。

python复制import torch
import numpy as np
import wfdb
from models.cnn import ECGCNN
from data.preprocess import bandpass_filter

def detect_r_peaks(signal, fs=360, threshold_ratio=0.6):
    """简单 R 波检测：基于信号绝对值和局部极大值。"""
    abs_signal = np.abs(signal)
    threshold = threshold_ratio * np.mean(abs_signal)
    candidate_idx = []
    for i in range(1, len(signal) - 1):
        if abs_signal[i] > threshold:
            if abs_signal[i] >= abs_signal[i-1] and abs_signal[i] > abs_signal[i+1]:
                candidate_idx.append(i)

    # 去除过于接近的重复检测点（小于0.2秒视为同一心拍）
    min_distance = int(0.2 * fs)
    filtered_idx = []
    last = -1e9
    for idx in candidate_idx:
        if idx - last >= min_distance:
            filtered_idx.append(idx)
            last = idx
    return np.array(filtered_idx)

def preprocess_beat(signal, r_pos, before=99, after=150):
    start = r_pos - before
    end = r_pos + after
    if start < 0 or end > len(signal):
        return None
    beat = signal[start:end]
    beat = (beat - beat.mean()) / (beat.std() + 1e-8)
    return beat

def main():
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    model = ECGCNN(num_classes=3)
    model.load_state_dict(torch.load('ecg_model.pth', map_location=device))
    model.to(device)
    model.eval()

    record_name = 'data/mitdb/100'
    record = wfdb.rdrecord(record_name)
    signal = record.p_signal[:, 0]
    fs = record.fs
    signal = bandpass_filter(signal, fs=fs)

    r_peaks = detect_r_peaks(signal, fs=fs)
    print(f'Detected {len(r_peaks)} beats in record {record_name}')

    class_names = ['Normal', 'Ventricular', 'Atrial']
    abnormal_counts = {'Ventricular': 0, 'Atrial': 0}

    start_time = torch.cuda.Event(enable_timing=True) if torch.cuda.is_available() else None
    end_time = torch.cuda.Event(enable_timing=True) if torch.cuda.is_available() else None

    import time
    t0 = time.time()
    with torch.no_grad():
        for r_pos in r_peaks:
            beat = preprocess_beat(signal, r_pos)
            if beat is None:
                continue
            beat_tensor = torch.FloatTensor(beat).unsqueeze(0).unsqueeze(0).to(device)
            outputs = model(beat_tensor)
            prob = torch.softmax(outputs, dim=1)
            pred = torch.argmax(prob, dim=1).item()
            confidence = prob[0, pred].item()
            if class_names[pred] != 'Normal':
                abnormal_counts[class_names[pred]] += 1
    t1 = time.time()

    print(f'Inference time for full record: {t1 - t0:.3f}s')
    print(f'Abnormal beats detected: {abnormal_counts}')

if __name__ == '__main__':
    main()

这里用了一个简化的 R 波检测算法，实际项目中通常会使用 wfdb.processing 模块里的 xqrs_detect 或 gqrs_detect 函数，检测准确率更高。简化算法的目的是为了让你理解心电图数据流向：心电信号 -> 心拍定位 -> 心拍切片 -> 模型推理 -> 结果汇总。

推理时间方面，CPU 上处理完一条 30 分钟记录的几百个心拍，通常只需要一两秒。这个速度完全能满足“AI 不到 2 秒读出隐藏心脏疾病信号”的诉求。

4.5 结果说明与评估

训练完成后，你应该能看到类似下面的输出（数据不同会有差异）：

code复制Epoch 30/30, loss=0.4213, acc=0.9321
              precision    recall  f1-score
Normal            0.95      0.97      0.96
Ventricular       0.94      0.91      0.92
Atrial            0.89      0.88      0.88

需要说明的是，MIT-BIH 数据集中三类心拍的比例差距较大，模型对 Normal 类的识别往往最好，而 Atrial 类因为样本数量少，precision 和 recall 会略低。如果想进一步提升，可以扩充训练集，纳入更多导联数据，或者使用数据增强。

5. 常见问题与排查思路

5.1 训练损失不下降

如果遇到损失不下降，优先检查数据归一化是否正确。原始心电信号的幅度范围通常在 ±5mV 左右，但不同个体的基线漂移可能导致幅度差异很大，务必做标准差归一化。

5.2 单张心电图的推理结果不稳定

心电图的解读本身存在重复性差异，同一个病人间隔几分钟做两次心电图，波形也会有细微变化。模型推理出现轻微概率波动是正常的。工程上的应对方法是：

• 对同一条记录做多段切片，取平均概率作为最终结果。
• 设置置信度阈值，低置信度样本标记为“待医生复核”。
• 不要直接输出硬分类结果，而是输出概率向量，方便下游系统做决策。

5.3 读取 MIT-BIH 数据报错

使用 wfdb 库读取数据时经常会遇到两类错误：

• FileNotFoundError：说明数据集没有下载完整，需要检查 data/mitdb/100.dat、100.atr、100.hea 三个文件是否齐全。
• ValueError: uncovered number of samples：通常是因为 .hea 头文件中的导联数与 .dat 文件实际数据不一致，可以尝试重新下载数据。

bash复制# 通过 wfdb 官方工具下载指定记录
python -c "import wfdb; wfdb.dl_database('mitdb', dl_dir='data/mitdb', records=['100'])"

这种方法会自动下载指定记录所需的全部文件，推荐作为首选的数据获取方式。

5.4 部署时推理速度不达标

在 CPU 上部署时，如果发现推理速度超过 2 秒，可以按下面的顺序优化：

1. 将单次推理的 batch 大小从 1 改为 32 或 64，充分利用 CPU 的并行计算能力。
2. 使用 ONNX Runtime 对模型做推理加速。
3. 量化模型参数，例如用 PyTorch 的 torch.quantization 将 FP32 模型量化为 INT8。
4. 如果仍然不够快，再考虑 GPU 或昇腾等专用推理设备。

6. 最佳实践与工程建议

6.1 数据层面

心电 AI 项目最花费时间的是数据整理，而不是模型调参。我在实际项目中总结出的重要经验是：千万不要忽略 R 波定位的准确性。很多分类模型的性能瓶颈并不是网络结构不够强，而是心拍切割的位置不准确，导致送入模型的信号形态是错位的。

在数据清洗阶段，建议做以下几项工作：

• 人工复核数据集中每个类别的标注质量，剔除标注可疑的样本。
• 对每个心拍做形态聚类，观察是否有未标注的异常类型。
• 记录数据来源、设备型号、导联信息，方便后续做跨数据集泛化分析。

6.2 模型层面

从模型设计的角度来看，有几个关键点值得关注：

• 输入长度要覆盖完整心拍，包括 P 波到 T 波的完整形态。太短会丢失 P 波信息，太长会引入相邻心拍的干扰。
• 对于多导联心电数据，可以让模型分别提取每个导联的特征后做融合，而不是简单地把所有导联拼接成一个长向量。
• 如果目标疾病是房颤、传导阻滞这类需要依赖节律信息的情况，可以在模型前端加入 LSTM 或 Transformer 层，捕捉心拍之间的时序依赖关系。

6.3 工程与合规层面

医疗 AI 系统和普通图像分类系统有本质差异。部署前需要考虑合法合规和数据安全：

• 心电图数据属于敏感的医疗健康数据，训练和测试时必须做去标识化处理，去除患者姓名、ID 等身份信息。
• 模型在进入临床使用之前，需要经过专业机构验证和监管审批。本文内容只适用于技术学习和科研验证，不能直接用于临床诊断。
• 系统设计时要在界面上明确提示“AI 分析结果仅供医生参考”，避免误导患者。

在模型推理时，建议同时输出置信度、模型版本号、输入信号质量标识，这些信息对于后续审计和责任界定非常重要。

6.4 性能监控与更新

部署到线上之后，模型不是一劳永逸的。我建议建立一套持续监控机制：

• 统计每日 AI 初筛的异常检出率，如果明显低于历史均值，要检查输入信号质量是否有变化。
• 定期从线上抽取样本进行人工复核，及时发现模型漂移。
• 积累新标注数据，定期用增量数据重新训练模型。

最后补充一点：在真实项目中，AI 读心电图的“隐藏信号”价值并不在于发现医生完全看不到的东西，而在于减少漏诊和提升效率。模型最大的贡献是把医生从繁重的初筛工作中解放出来，让医生把精力集中在复杂病例上。

7. 总结与学习路线

通过本文的实战，你掌握了从心电信号读取、预处理、心拍切割到 CNN 模型训练和推理的完整流程。整体流程可以浓缩为：原始信号 -> 滤波 -> R 波定位 -> 心拍切片 -> 归一化 -> CNN 分类 -> 概率输出。这条链路不仅适用于心电图分析，也可以迁移到脑电信号分类、肌电信号识别等其他生理信号场景。

下一步的进阶方向很清晰：

• 尝试把单导联模型扩展到 12 导联，观察多导联信息融合带来的效果提升。
• 研究心电节律类疾病的序列建模方法，比如使用 Transformer 对连续 10 秒信号建模。
• 学习模型可解释性工具，例如 Grad-CAM 和 SHAP，理解模型在哪些时间点做出了关键判断。

如果你准备进入医疗 AI 方向，建议先从公开数据集练手，完整走通数据、训练、评估、部署这一条链路，再考虑接触真实临床数据。希望这篇文章能成为你进入 AI 心电图分析领域的第一张地图。

如果本文对你有帮助，可以收藏备用，也欢迎在评论区交流你在处理心电信号时遇到的问题。