姚易，廖晓阳*，李志超

据世界卫生组织（WHO）及多所著名大学建立的全球疾病负担数据库分析，全球心房颤动（以下简称房颤）患者高达3 350万，占世界人口的0.5%［1］。房颤作为21世纪最具挑战性的心血管疾病之一，可导致脑卒中、心源性猝死等严重并发症［2］。随着我国人口老龄化越来越严重，房颤患者数量逐年攀升，成为名副其实的房颤大国［3-4］。房颤具有阵发性、无症状性的特点［5］，传统的12导联心电图不能有效识别阵发性房颤。然而，阵发性房颤与持续性房颤具有相同的卒中风险，早期诊断及干预可显著降低卒中发生率［2，6］。因此阵发性房颤的早期筛查极其重要。

临床上，24 h动态心电图被视为诊断阵发性房颤的金标准，但由于有时间局限性，常出现漏诊，从而促使多种长程筛查设备不断出现，例如：便携式可穿戴设备、手持单导联心电图记录仪、智能手机、智能手表、血压计等，这些设备可提高阵发性房颤的检出率［2，7］。然而，长程设备获得的心电大数据既加重了医生负担，也是临床工作的难题，该情况在基层医疗机构中表现得尤为突出。一方面全科医生无法准确地通过心电图诊断房颤［8］；另一方面心电大数据信息量大，解读费时。因此，在基层医疗机构诊断阵发性房颤难上加难。为了给医生提供有效的辅助诊断信息，人工智能技术变得越来越重要。

近年来人工智能技术飞速发展，在医疗大数据挖掘上表现卓越，促进了计算机辅助诊断模型的发展。经典诊断模型的建立包括信号预处理、特征提取、分类3个过程，特征提取是模型构建的核心。……