基于可解释生理特征与机器学习的心律失常多标签分类及其跨患者验证

心电图自动诊断是临床辅助决策的重要工具。深度神经网络虽在心律失常分类中准确率较高，但依赖GPU算力且决策呈现“黑盒”特征。基于领域知识的手工生理特征结合经典机器学习具备低算力与强可解释性优势，但在严控数据泄漏的跨患者验证协议下，其能否在标准任务中达到临床可信性能尚缺乏系统评估。此外，原始波形PCA降维特征是否具有增量价值、模型重要性能否复现心电生理规律亦待验证。因此，本研究的核心问题是：仅依赖CPU计算的可解释生理特征与经典机器学习，能否在跨患者多标签心律失常分类中实现强鉴别性能与生理可审计性？

为回答上述问题，研究团队基于开源CODE数据集测试分区（827例12导联心电图记录，每例对应独立患者）开展验证。每个10秒心电信号经降采样与带通滤波后，逐导联提取心率间期、QRS波群宽度、PR/QT间期、波幅统计量与频域能量等32个描述符，结合全局心率变异性特征与10个波形主成分，构建401维原始特征集。

研究采用多标签分层抽样生成70/15/15的跨患者划分（578训练/124验证/125测试例）。为严防信息泄漏，常数剔除、标准化、PCA重拟合及相关性剪枝（最终保留276维）均仅在训练集上拟合。研究分别构建逻辑回归、随机森林与XGBoost模型，在验证集优化决策阈值，并在测试集评估Macro AUROC、AUPRC与Macro F1。同时，研究将模型特征重要性聚合至7个生理特征组与12个导联，校验其生理合理性，并对主要混淆类别开展效应量分析。

研究结果显示，基于手工生理特征的经典机器学习集成模型在跨患者心律失常分类中表现出强鉴别能力，且模型决策链路与心电生理学规律高度吻合。

1. 随机森林在综合分类性能上优于逻辑回归与XGBoost。随机森林在测试集上取得了0.977的Macro AUROC与0.621的Macro F1，其中左束支传导阻滞实现完美区分（AUROC 1.0），窦性心速与右束支传导阻滞的AUROC亦超过0.965。
2. 特征与导联重要性分布精准映射了临床诊断标准。1st度房室传导阻滞由PR/QT间期主导，束支传导阻滞依赖QRS宽度，心房颤动与窦性心律异常由心率间期驱动。导联重要性亦呈现解剖对应，如右束支传导阻滞主导导联为V1，左束支传导阻滞为V3，心房颤动为V5。
3. 原始波形PCA特征对分类性能仅提供边际增量。移除10维PCA特征后，随机森林与XGBoost的Macro F1波动均在0.03以内（位于采样噪声范围内），表明手工生理特征承载了绝大部分鉴别信号。

总结而言，本论文证明了无需GPU算力与深度神经网络，仅通过严谨构建的手工生理特征与树状集成模型，即可在跨患者心律失常分类中兼顾高排序性能与生理可解释性。

本研究结论的推导与应用受限于特定条件。首先，开源测试集规模较小（125例测试记录，部分罕见病种仅2—6例阳性），导致置信区间较宽且阈值优化存在过拟合风险。其次，10秒心电记录无法满足标准5分钟短时心率变异性分析要求，频域特征仅具探索性质。

基于现有证据，该研究能够支持在算力受限、需要可审计决策链路的静息12导联心电图辅助诊断场景中应用可解释机器学习；但尚不足以证明其能够推广至单导联穿戴设备、动态心电监护或更广泛的心律失常病种中。