ECG心跳分类的核心：inter-patient与intra-patient评估及序列建模

最近在复开心电图（ECG）分类相关的论文时，又碰到这篇讨论心跳级别分类的老熟人。它的核心关键词是“inter-patient”和“intra-patient”——这两个词放在一起，基本上决定了模型到底是在实验室里自嗨，还是能真正推到临床环境用。很多入门血泪教训，也都集中在这个评估协议上。这篇阅读笔记就把论文的思路、方法设计和复现中的坑一起拆开，给同样在做信号分类或者想入心血管领域分类任务的朋友一些参考。

先说结论：这篇论文解决的是心律失常检测里的核心子任务——把单次心跳（beat）分成正常还是某种异常类型。难点不在于模型有多花哨，而在于训练和测试数据来自不同患者（跨患者）时，性能会明显掉。论文选择了一条很务实的路线：不做非黑即白的单心跳分类，而是把问题当成序列建模来处理，给每个心跳带上上下文信息。这类方法到现在依然是很多实际落地系统里的基线方案。

1. 先搞懂论文在解决什么问题

1.1 心律失常检测与ECG心跳分类

心电图（ECG）是心律失常检测最基础的手段。一长条心电波形里，最突出的尖峰是QRS波群，每个QRS波群大致对应一次心室除极，也就是一次心跳的“主事件”。临床上判断心律失常，很多时候不是只看某一次心跳的形态，而是看连续多个心跳之间的节律关系，比如是不是每两个正常波后面跟着一个提前出现的宽大畸形波，比如是否连续几个异常波构成短阵室速。

把这个问题落到算法层，就变成了典型的序列标注任务：给一段连续ECG信号，要求模型在每个心跳位置输出一个类别标签，比如正常（N）、室性早搏（V）、房性早搏（A）、左右束支传导阻滞（L/R）等。这套做法在早期研究里很常见，很多公开数据处理流程也是先把每个心跳的形态特征提出来，再用分类器打标签。

论文第一步就是在讨论“为什么单次心跳分类不够”。一个QRS波群自身确实包含大量形态学信息，但单纯看单个心跳，很难判断它到底是孤立早搏还是二联律/三联律的一部分。二联律的第二个心跳，单独看可能就是一个宽大畸形波，但它之所以有临床意义，是因为它和前一个正常心跳形成了“成对”出现的关系。这种上下文信息，单个心跳分类模型是天然缺失的。

1.2 inter-patient与intra-patient评估协议：为什么跨患者那么难

这篇论文最值得读的部分，不是某个具体模型，而是它对评估协议的分析。所谓intra-patient（患者内）划分，是把所有患者的心跳数据混在一起，随机按比例拆成训练集和测试集。这样同一患者的部分心跳出现在训练里，部分出现在测试里。模型相当于在“开卷考试”——它已经见过这个人的波形形态，测试时只是看没看过的片段。

inter-patient（跨患者）划分则完全不同：训练集来自一类患者，测试集来自另一类从未出现过的患者。模型必须从已有患者的心律变化规律里，泛化到新患者身上。这才是临床真实场景。任何一个新病人进监护病房，我们手上不可能有他过去的心电数据供模型预演。

论文里反复强调的一点是：用intra-patient评估出来的准确率、F1分数往往虚高，一旦换成inter-patient评估，性能会明显掉档。原因也不难理解——不同人的心电形态差异极大，胸壁厚度、电极位置、心脏电轴偏转角度、基线漂移程度都不一样。同一类心律失常，在不同人身上呈现出来的波形幅度和时相可能差很多。模型如果只在“形”上记住了训练集患者的特点，跨患者时就会失灵。

所以在复现时，我建议直接把“按患者拆数据”作为默认原则。宁可训练数据少一点，也不要让同一患者的心跳同时出现在训练和测试集里，否则你看到的性能只能说明模型记忆能力好，不能说明它学会了心律失常的结构性规律。

2. 论文的方法设计：为什么非要引入序列模型

2.1 输入数据怎么准备：心拍定位、归一化、窗口化

论文里的数据准备流程，基本是心电图分类任务的常规操作。第一步是定位每个心跳的位置，常用方法是找R峰，也就是QRS波群里幅度最大、最尖锐的那个点。R峰位置确定后，以它为中心截取一个窗口。窗口的选择会直接决定模型看到的信息范围。

如果窗口太短，比如只截R峰前后50毫秒，模型相当于只看一个QRS波群的局部片段，很多低频形态变化看不到。如果窗口太长，比如覆盖前后两三个心跳，模型又要承担“区分邻近R峰”的额外负担，容易把相邻心跳当作背景噪声。论文采用的是比较保守的做法：以R峰为中心，取一个覆盖完整QRS波群并留有一定余量的窗口，再配合后续的序列编码。

预处理阶段还要去除基线漂移和工频干扰，常见做法是带通滤波，比如0.5Hz到40Hz。这里有个很关键的细节：滤波应该在数据划分之后训练集上计算滤波器系数，还是直接在全部数据上滤波？虽然滤波器本身不包含标签信息，但一旦你在全数据集上做任何统计性质的归一化，比如用全局均值减除，就可能把测试集的分布信息泄漏进训练过程。我在复现时习惯把归一化参数只从训练集计算，测试集直接用训练集的均值和方差来变换，这样更干净。

另一个容易被忽略的步骤是样本平衡处理。公开数据集中，正常心跳数量通常远远大于异常类型数量，有些类别甚至只有几百个样本。论文的做法偏实用：先保留原始类别分布，在损失函数里加入类权重，或者对少数类做过采样。这一点在后面的实验里影响巨大。

2.2 从单点分类到序列上下文：模型架构的演进

早期研究大量使用特征工程加支持向量机的组合：提取RR间期、QRS宽度、形态小波系数，然后做分类。这类方法的问题在于特征设计依赖人的经验，而且很难把连续多个心跳之间的依赖关系建模得足够深。比如“两个宽大畸形波中间夹一个正常波”这类模式，单靠手工统计RR间期可以部分表达，但表达得不够充分。

论文把心跳分类直接建模成序列标注问题：输入一段连续心跳的特征序列，输出每个心跳的标签。这样模型天然具备利用历史信息和未来信息的能力。序列建模的好处在于，它不再假设每个心跳是独立同分布的样本，而是把相邻心跳的标签关联起来。

具体到架构选择，我在复现时试过两种主流方案：双向循环网络和基于注意力机制的序列编码。论文的整体思路更像前者：用循环网络的隐藏状态作为每个心跳的上下文表示。双向结构特别重要，因为部分心律失常的判断需要“看看后面发生什么”才能确定，比如早搏之后是否出现代偿间歇，就是先看到后面的RR间期变化才能确认的。

不过我也要提醒一句：序列模型的输入长度不宜过长。把几百个心跳串起来会让计算量暴涨，而且循环网络长程依赖依然有限。我在实际操作中，常用64到128个心跳作为一个序列片段，输出端只需要对整个片段里的每一个心跳做标签预测。训练时用片段级别的交叉熵，测试时滑动窗口逐心跳预测。

2.3 类别不平衡：损失函数、欠采样/过采样与阈值调整

心律失常分类里，类别不平衡是绕不开的问题。正常心跳可能占60%以上，而某些稀有类型不到1%。如果直接拿原始分布训练，模型只要把所有心跳都预测成正常类，准确率也能达到60%以上，但没有任何临床意义。

论文在损失函数层面做了处理，这个思路很值得借鉴。最简单的做法是对每个类别设置不同的权重，少数类的损失放大，多数类的损失缩小。这样模型在梯度更新时会更关注少数类样本。我在实际实验中，会先统计训练集每个类别的样本数，然后取样本数的倒数或者median frequency ratio作为权重。

还有一个更实用的技巧：调整决策阈值。模型输出的概率分布，默认情况下会偏向于样本数多的类别。训练完成后，不需要重新训练模型，只需在验证集上搜索一个更合理的分类阈值，让少数类的召回率提升。对于临床筛查场景，我们往往更看重敏感性而不是精确率，因为漏掉一个异常心率比误报一次更危险。阈值调整是最划算的收益来源。

如果数据量实在不够，过采样少数类也是常见方案。但要小心：在序列任务里，直接复制原始心拍窗口会破坏连续性，还会让模型对训练集里的特定噪声过拟合。我建议使用变形的过采样，比如对同一类心跳窗口做小幅时移、缩放或者添加少量噪声，保持序列的形态多样性。

3. 关键实验设置与结果解读

3.1 评估指标怎么选才不骗自己

很多初次接触这个领域的朋友习惯只看准确率，其实这是一个很危险的指标。在类别极度不平衡的情况下，准确率几乎完全由多数类决定。哪怕少数类的检出率是0，只要多数类预测对了90%，总体准确率看起来依然很体面。

论文里采用的指标组合更合理：逐类别的敏感性（召回率）和阳性预测值，以及基于两类混淆矩阵计算的F1分数。如果做多分类，我会建议看macro F1，也就是先求每个类别的F1，再做算术平均。这样能公平地衡量小类别模型的性能，而不是被大类别“平均”掉。

对于跨患者评估，还有一个容易被忽视的维度是患者级别的稳定性。有些患者有几百个异常心跳，有些可能只有一两个。如果只是把所有心跳混在一起统计指标，少数患者的表现会被多数患者淹没。我在复现时会把测试结果按患者分组，分别计算每个患者的F1，然后观察患者之间的方差。如果方差特别大，说明模型对某些患者的形态敏感性很高，泛化能力还有问题。

3.2 论文里的实验结果与我的复现观察

论文展示的核心对比就是inter-patient与intra-patient两种评估协议下的分类性能。实验结果符合预期：intra-patient情况下各类别F1普遍偏高，某些类别的敏感性甚至能接近0.95；而inter-patient情况下，整体指标会下降一个台阶，尤其是不常见的心律失常类型，性能缩水更明显。

我复现时得到过相似的曲线。刚开始我图省事，用intra-patient协议快速验证模型，结果F1值看起来很漂亮。后来改成inter-patient协议重跑一遍，发现模型的性能下降了将近20个百分点。这个落差并不代表模型写得不好，而是意味着模型确实学到了很多患者特定的形态学特征，而不是抽象的心律失常模式。

从临床角度看，性能下降的类别也很有规律。比如室性早搏这类形态特征比较突出的类型，跨患者下降相对较小；而一些依赖节奏上下文才能判断的类型，比如成对室早、短阵室速，跨患者时明显更难。这说明模型对“节奏”的建模能力还不够强，单纯的序列RNN可能只捕捉到了局部相邻关系，没有形成对整个节律周期的长期建模。

3.3 模型在临床上能做什么、不能做什么

论文的落地场景很明确：作为心律失常筛查或监护设备的辅助算法。它的任务是在心电数据里先把可疑心跳标出来，让医生有重点地看，而不是直接给出最终诊断。这种“预筛”角色决定了模型输出需要偏向高召回率，宁可多标几个疑似异常，也不能漏掉真正的危机事件。

但模型不能做的事情也很明显：它不区分心跳类型之间的病理轻重，比如室颤和房性早搏的临床处理完全不同；它也不会结合患者的年龄、病史、用药信息。所以论文的实验设计里，并没有把模型包装成一个“诊断系统”，而是老老实实定义为“检测模型”。

我在实际使用这类模型时，会把它放在一个更完整的流程里：先做信号质量判断，剔除电极脱落、噪声过大的片段；再用序列模型预测心跳标签；最后用规则引擎做心律级别的判断，比如连续三个以上室性早搏才提示“短阵室速”。序列模型从单拍分类变成节奏建模，实际上为上层规则引擎提供了更干净的输入。

4. 复现与落地中的常见问题避坑指南

4.1 最容易踩的坑：数据泄漏

数据泄漏是复现这类论文时最隐蔽的问题。很多公开数据集提供的是已经分割好的心跳样本，比如一个样本对应一个以R峰为中心的固定长度窗口。如果直接把这些样本随机划分到训练集和测试集，你几乎一定会踩中数据泄漏——因为同一患者的多个心跳窗口可能同时出现在两边。

标准做法是先拿到所有原始记录，把记录按患者分组，然后以患者为单位进行划分。在代码里，这意味着划分的维度是患者ID，而不是样本ID。我见过不少新手在这里翻车，跑出来的测试F1高得离谱，但换了新数据一测立刻崩。为了避免这个问题，可以在训练时打印训练样本涉及的独立患者数量，确保测试集的患者ID与训练集交集为空。

另一个泄漏源是预处理中的归一化。如果先对全部数据计算均值方差，再用这个均值和方差去归一化训练集和测试集，那么测试集的分布信息就已经进入了模型。虽然它的影响听起来不如样本泄漏那么直观，但确实会让模型在跨患者测试时表现得过于自信。我习惯把归一化参数写进数据预处理类里，并且只允许通过训练集获取。

4.2 预处理顺序与标签泄漏

标签泄漏和预处理顺序关系密切。举个例子：有些心拍窗口会以R峰为对齐点，如果测试样本的对齐位置是根据测试窗口的R峰位置确定的，那没问题；但如果在预处理阶段使用了一个完整心电记录上的全局滤波器，且该滤波器是成因果设计的，它的输出会包含未来信息。对于离线标注场景，这不算致命；但如果在检测设备上要实时运行，就必须改成因果滤波。

另外，心拍窗口的标签通常是从原始注释文件里继承的。论文里采用的数据集，某些记录的注释里会把连续几个异常心拍归属于同一个“节律事件”。如果你在按事件窗口时不小心把一个“事件标签”扩散到了多个正常心拍窗口上，标签噪声就会严重影响序列模型的训练。我在做数据检查时，会做一个分布对比：每个患者的异常心拍数量与注释事件数量是否吻合，异常的窗口标签有没有出现连续重复。

4.3 序列长度的选择与训练稳定性

序列长度是复现里最需要调的超参数之一。论文的模型是序列标注，长度短了看不到节奏上下文，长度长了训练不稳定而且容易过拟合。我常用的策略是先用短序列（32个心跳）看训练收敛情况，再逐步增加到64、128。在验证集上，往往64个心跳是一个性能甜点；超过128之后，模型在测试集上的F1增益很小，但训练时间却翻倍了。

训练稳定性也要注意。循环网络对学习率比较敏感，默认的Adam学习率是0.001，但序列标注任务里我经常需要下调到0.0005甚至更低，否则loss会在几个epoch后震荡。加梯度裁剪能避免RNN的梯度爆炸，尤其当输入窗口长度较长时。我通常会设置max_grad_norm为5.0，这个值在大多数情况下能保持训练平滑。

4.4 小技巧：把分类问题变成序列标注问题

这篇论文的一个重要启发是，与其把每个心跳切成独立样本用CNN分类，不如把一整段心跳作为序列输入，让模型以所有心拍作为输出。这样做有几个实际好处：第一，模型可以隐式学习相邻标签的转移概率，比如正常之后更可能正常，早搏之后更可能代偿；第二，推理时可以一次性输出一段心跳的标签序列，方便后续规则化后处理。

我在复现时，为了简化训练，通常会先使用一个预训练的单心跳特征提取器，把每个心跳窗口编码成向量，再把这些向量序列送入循环网络。这样做的好处是两个模块可以分别调参，训练速度也快很多。缺点是端到端效果可能略差。如果硬件允许，还是直接端到端训练更有优势，让卷积或注意力层在序列上下文中重新学习心拍表示。

4.5 常见问题速查表

这篇论文读下来，最大的价值其实不在模型结构，而在它把“评估协议”拉回到了核心位置。很多模型在intra-patient任务上刷到高分，放到临床场景立刻打回原形；而一个朴素的序列模型，只要数据划分做对了，性能就足够有参考意义。

我最近在一批新采集的穿戴设备心电数据上做了同样的评估，设备噪声比公开数据库大很多，但模型结构不用改，只要把预处理里加一个信号质量判断模块，在低质量片段上不输出预测即可。序列模型对噪声的抵抗能力比单心跳分类强不少，因为它能看到多个心跳的一致性。接下来我打算把模型轻量化到嵌入式推理框架里，目前正在逐层剪枝，先把参数量和推理延迟压到实时要求以下，再回来调精度。