1.1 研究意义

更新于 2026年11月21日 版权声明
1.1 研究意义

(1)研究发展可穿戴心电智能监测技术,不断满足强劲的社会需求

根据世界卫生组织发布的统计数据,心脏疾病是致死人数最多的疾病,每年有近1770 万人死于心血管疾病,占全球总死亡人数的31%。美国每年约有60 万人死于心脏病,每死4 个人中就有1 人是死于心脏方面的疾病,仅冠心病每年医疗费用就高达1089 亿美元。根据我国最新数据统计,每年约有350万人因心脏病死亡,平均每10 秒钟就有一位中国公民被心脏病夺去生命,我国每年用于心脏疾病的医疗费用高达1301 亿元人民币。心电图(electrocardiogram,ECG)不但广泛应用于临床医学实践,近年来也成为健康实时监测的一个重要工具。生理学研究证实,心脏的电活动先于机械性搏动,即心脏出现异常搏动时,其电生理活动已经发生改变,若能在早期捕捉到这些异常的心电生理改变并及时采取救治措施,可以有效降低由于各种心血管疾病导致的心源性休克死亡率,增加患者的生存机会。移动心电智能监测实时采集被监护对象的心电信号,通过智能终端自动分析诊断,能够及时发现心电异常情况,让患者得到及时的救治。可穿戴心电监测设备能够有效降低医疗设备和人工诊断的成本,作为个人健康管理设备推广普及,广泛运用于心脏疾病的预防、早期发现及管理。在当前社会老年化趋势加剧的背景下,健康养老资源日渐紧缺,可穿戴心电监测设备可以让老人足不出户就能得到实时监护,提高老年人生活质量,使医疗资源得到优化配置。

2020 开春就遇到了新型冠状病毒引发的肺炎疫情,到2020 年4 月19 日全球已有超过230 万人感染新冠病毒,16 万多人因感染新冠肺炎死亡,疫情还在继续呈全球流行暴发趋势。疫情期间人工智能(artificial intelligence,AI)积极发挥作用,比如AI辅助病毒检测、AI辅助肺部影像分析、AI辅助筛选抗新冠病毒药物等。在这场全人类对抗病毒的过程中,医疗资源特别紧缺,人工护理严重不足。如果移动智能健康监测设备得到普及应用,将会极大缓解医护人员的紧缺局势,帮助人们尽早战胜新冠疫情,减少损失。

(2)开发移动心电智能监测设备,顺应智能可穿戴设备产业发展的趋势

近年社会健康需求、保健意识与日俱增,可穿戴健康监测设备产业强势兴起。2018 年7 月,IEEE(电气与电子工程师协会)发布的《“AI新世代”第二年度全球调研报告》表明AI+健康医疗将快速发展。市场研究公司IDC发布了全球季度可穿戴设备跟踪报告,数据显示到2019 年底全球可穿戴设备市场比2018 年度增长15.3%,达到19850 万台。这意味着可穿戴设备行业迎来新一轮的大规模增长。其中基础可穿戴设备增长2.1%,而智能健康可穿戴设备同比增长高达45.8%。这说明基础可穿戴设备市场规模增长速度趋缓,而智能可穿戴设备越来越受到市场欢迎。如果移动健康监测产品进一步提高监测的准确度和可靠性,将会促进智能可穿戴设备消费升级换代,推动可穿戴设备产业进入新的发展高潮。开展基于人工智能的心电监测技术研究,研发新一代移动心电智能监测设备,是智能可穿戴设备产业发展的大势所趋,是国家经济主战场的一场攻坚战。(https://www.daowen.com)

(3)推进可穿戴智能设备发展,服务人工智能国家战略

2015 年7 月,国务院就已经发布《国务院关于积极推进“互联网+”行动的指导意见》。到2018 年4 月,相关部门又先后九次在各项政策中提到要快速发展人工智能,人工智能上升为国家战略。2019 年5 月中国政府发布的《中国新一代人工智能发展报告2019》中指出:2018 年以来,人工智能对科技、产业和社会变革的巨大潜力得到全球更加广泛的认同,各国人工智能战略布局进一步升级;中国人工智能发展与美国同处战略领先地位,已经成为推动国民经济发展的引擎。国务院在《新一代人工智能发展规划》(国发[2017]35 号)中提出发展便捷高效的智能服务,研发柔性可穿戴、生物兼容的生理监测系统,加强群体智能健康管理,研发健康管理可穿戴设备和家庭智能健康检测监测设备。将人工智能移植到可穿戴设备,研究心电智能监测技术,抢占人工智能科技制高点,是服务国家战略,也是响应国家重大需求。

(4)智能ECG遭遇技术瓶颈,ECG分析的准确率面临挑战

ECG自动分类与诊断是可穿戴心电监测的关键技术,信息技术的发展使自动分析并识别异常心跳成为可能,然而现有的商用心电图分析诊断算法仍有较高的误诊率。对于可穿戴心电监测设备而言,只有提供准确可靠的诊断结果才能给予正确的警示和进行恰当的治疗,因而需要改进智能分析算法,提升诊断准确率。但心电信号质量、分布特点及人工智能算法的局限性等问题使智能诊断的准确度遇到了瓶颈。近些年,随着人工智能技术的发展,神经网络在网络结构、超参数、优化方法和处理器等方面取得诸多研究成果,深度学习在语音识别、图像分类和目标检测等领域取得了进展,为开展心电智能分析研究带来了机遇。但是仍然存在理论与技术问题需要突破:一是当前运用深度学习技术识别ECG研究工作不多,积累的理论与技术经验不充分,计算精度有待提高;二是可穿戴设备的计算平台资源受到限制,缺乏部署大规模深度卷积神经网络的条件,如何将深度学习移植到可穿戴设备将面临挑战。解决这些科学与技术问题,是促进可穿戴智能心电监测设备发展的关键。

综上,推进深度ECG研究,开发穿戴智能ECG设备是社会健康生活的需要,是国家人工智能战略的重要环节,是国家产业发展的必然趋势。因此,本书聚焦上述科学问题,深入研究快速深度卷积神经网络,探索ECG智能识别技术。我们的主要研究内容如下:研究基于小波变换的ECG滤波与特征检测,通过小波分解定位QRS 波群,实现快速检测ECG特征;深入研究并创建快速深度卷积神经网络模型,探索利用一维图像实现深度可分离卷积的方法,利用快速傅立叶变换进一步加快卷积运算速度;研究数据实现归一化处理方法,提高神经网络的泛化能力,提高网络通道提取特征能力,增强通道信息融合,提高运算精度;探索在资源受限的可穿戴智能终端构架高效精确深度卷积神经网络的方法和理论;突破资源受限的壁垒,创建网络深度达到53 层的快速卷积神经网络,实现可穿戴深度学习;基于深度学习研究ECG信号精确分类识别,掌握深度学习ECG的规律与方法,设计ECG信号智能分类识别方案,监督训练一个快速深度卷积神经网络,实现深度ECG专家级的分类与识别。

✍AI写作