多标签心电图分类：基于 PTB-XL 数据集的自动化心脏疾病诊断系统

本文介绍由北佛罗里达大学Ashritha Kotagiri开发的多标签心脏疾病分类系统，基于PTB-XL大规模心电图数据集，整合信号预处理、特征工程、深度学习模型融合等技术，实现六种常见心脏疾病的自动化诊断。该系统为心脏疾病的自动化诊断提供端到端解决方案，旨在提升诊断效率与准确性。

心脏疾病常为多种病理状态并存，传统单标签分类无法捕捉共病现象，多标签分类更符合临床实际。PTB-XL数据集是公开最大规模心电图数据集之一：含21,799条12导联记录、18,869名患者、双采样频率（100Hz/500Hz）及多标签诊断标注，为模型训练提供坚实基础。数据来源：https://physionet.org/content/ptb-xl/

系统端到端流程包括：1.信号预处理（噪声滤波、基线漂移消除、归一化）；2.PQRST波形检测（Christov算法）；3.特征工程（提取132个时域、频域、形态学特征，如PR间期、QRS能量等）；4.多标签分类模型（传统ML：Logistic回归、随机森林等；深度学习：1D CNN、LSTM、CNN+BiLSTM等）。

传统ML中随机森林表现最佳（准确率0.893，F1 0.660）；深度学习中1D CNN最优（准确率0.924）；M4融合模型整合多源信息，AUROC达0.9510，具有优秀区分能力。具体性能指标见原文表格。

系统潜在价值：提升筛查效率、降低漏诊率、辅助基层医疗、标准化诊断。需注意：AI系统目前为辅助工具，最终诊断需专业医师决策。

后续探索方向包括：引入Transformer架构、可解释AI（SHAP/LIME）、实时监测（可穿戴设备部署）、临床决策支持集成、跨数据集泛化验证。