基于时间自适应密集网络与特征增强策略的变时长 ECG 房颤检测

基于摘要分析。本文研究体表 ECG 的房颤（AF）识别，针对常规 1D-CNN 难以适配变时长输入的问题，提出 MP-DLNet-F，并结合特征增强与数据不平衡处理。主要研究对象是 ECG 辅助诊断，而非 EEG 解码或 BCI。 机制方面，作者将变时长 ECG 与 1D-CNN 的兼容性问题交由 MP-DLNet 模块处理；特征增强模块用于加强对时间质量信息的感知，数据不平衡处理模块用于降低模型对类别不平衡的敏感性。摘要未给出具体输入适配运算、网络结构、损失函数及不平衡处理方式，其实现细节尚未验证。 作者报告，在 CinC2017 数据库中，针对裁剪或填充至 10 秒的单导联 ECG 片段，分类 Accuracy 为 87.98%，F1 为 0.847。该结果对应固定长度预处理后的评估，不能单独视为任意输入时长下的性能证据。作者还报告，通过迁移学习在 CPSC2018 12 导联数据集上测试时，平均 Accuracy 和 F1 分别提高 21.81% 和 16.14%；摘要未明确比较基线、提升计算口径及具体划分，因此不能将这些数值改述为百分点增益。作者据此认为模型可更新参数，以适应不同时长与导联分布；实验协议、消融及统计信息尚未验证。 作者提出该方法可能适用于 EEG、PPG 等变时长或不平衡医学信号，但摘要未提供 EEG 实验。平台推测（待验证）：若 MP-DLNet 的输入适配不依赖 ECG 特有节律结构，其变时长处理模块可能复用于 EEG；通道组织、任务监督及特征增强方式仍需改造，低信噪比、跨被试差异与小样本可能使收益失效。可检验的假设是：在同一 EEG 任务及固定被试划分下，比较原有裁剪／填充基线与引入该适配模块后的表现，并分别评估各输入时长及类别不平衡条件。已有相关 EEG 工作尚未检索确认，复现前仍需取得全文核对实现与训练条件。