A Dataset and Benchmarks for Atrial Fibrillation Detection from Electrocardiograms of Intensive Care Unit Patients

📄 arXiv: 2512.18031v1 📥 PDF

作者: Sarah Nassar, Nooshin Maghsoodi, Sophia Mannina, Shamel Addas, Stephanie Sibley, Gabor Fichtinger, David Pichora, David Maslove, Purang Abolmaesumi, Parvin Mousavi

分类: cs.LG, cs.AI

发布日期: 2025-12-19

备注: 10 pages, 3 figures, 6 tables

💡 一句话要点

发布ICU心电图房颤检测数据集与基准，验证ECG基础模型有效性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 心房颤动检测 心电图 重症监护 深度学习 基础模型 迁移学习 人工智能

📋 核心要点

  1. ICU患者房颤检测面临挑战，现有方法缺乏针对ICU环境的优化和系统性比较。
  2. 论文核心在于比较基于特征分类器、深度学习和ECG基础模型三种AI方法在房颤检测中的性能。
  3. 实验结果表明，ECG基础模型在ICU数据集上表现最佳，迁移学习策略下F1值达到0.89。

📝 摘要（中文）

本研究旨在解决重症监护病房(ICU)患者常见的心房颤动(AF)检测问题，AF可能导致不良健康影响。为此，我们发布了一个带标签的ICU数据集，并建立了AF检测的性能基准。我们比较了三种数据驱动的人工智能(AI)方法：基于特征的分类器、深度学习(DL)和心电图(ECG)基础模型(FMs)。该比较填补了文献中的一个关键空白，旨在确定哪种AI方法最适合准确的AF检测。实验使用了来自加拿大ICU的心电图和2021年PhysioNet/Computing in Cardiology Challenge的数据。测试了多种训练配置，从零样本推理到迁移学习。结果表明，平均而言，ECG FMs表现最佳，其次是DL，然后是基于特征的分类器。通过迁移学习策略，ECG-FM在我们的ICU测试集上获得了最高的F1分数(F1=0.89)。这项研究展示了使用AI构建自动患者监测系统的潜力。通过发布我们标记的ICU数据集和性能基准，这项工作使研究界能够继续推进ICU中AF检测的最新技术。

🔬 方法详解

问题定义：论文旨在解决ICU患者心电图中的房颤（AF）自动检测问题。现有方法在ICU环境下的表现不佳，缺乏针对ICU患者心电图特点的优化。此外，不同AI方法（如传统机器学习、深度学习和新兴的ECG基础模型）在AF检测中的性能优劣缺乏系统性的比较研究。

核心思路：论文的核心思路是系统性地比较三种不同类型的AI模型在ICU心电图房颤检测任务上的性能，包括基于特征的分类器、深度学习模型和ECG基础模型。通过实验分析，找出最适合ICU环境的AF检测方法，并为后续研究提供基准。

技术框架：整体框架包括数据预处理、模型训练和性能评估三个主要阶段。数据预处理包括从ICU心电图数据集中提取心电信号，并进行必要的滤波和降噪处理。模型训练阶段分别训练基于特征的分类器、深度学习模型和ECG基础模型。性能评估阶段使用F1分数等指标评估模型在测试集上的性能。论文还探索了不同的训练配置，包括零样本推理和迁移学习。

关键创新：论文的关键创新在于对ECG基础模型在ICU房颤检测中的应用进行了探索和验证。与传统的基于特征的分类器和深度学习模型相比，ECG基础模型能够更好地捕捉心电信号中的复杂特征，从而提高检测精度。此外，论文还通过迁移学习，将预训练的ECG基础模型应用于ICU数据集，进一步提升了模型的性能。

关键设计：论文中，ECG基础模型的具体结构和训练方式未知（原文未提供细节，标记为未知）。迁移学习策略是将ECG基础模型在大型心电图数据集上进行预训练，然后在ICU数据集上进行微调。损失函数和优化器等技术细节也未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ECG基础模型在ICU数据集上表现最佳，通过迁移学习策略，在ICU测试集上获得了最高的F1分数(F1=0.89)。这一结果优于传统的基于特征的分类器和深度学习模型，验证了ECG基础模型在ICU房颤检测中的有效性。该研究还提供了详细的性能基准，为后续研究提供了参考。

🎯 应用场景

该研究成果可应用于开发ICU患者的自动心电监护系统，实现对房颤的早期检测和预警，从而帮助医生及时采取干预措施，改善患者的预后。此外，该研究发布的ICU心电图数据集和性能基准，将促进房颤检测领域的研究进展，推动相关AI技术在临床医学中的应用。

📄 摘要（原文）

Objective: Atrial fibrillation (AF) is the most common cardiac arrhythmia experienced by intensive care unit (ICU) patients and can cause adverse health effects. In this study, we publish a labelled ICU dataset and benchmarks for AF detection. Methods: We compared machine learning models across three data-driven artificial intelligence (AI) approaches: feature-based classifiers, deep learning (DL), and ECG foundation models (FMs). This comparison addresses a critical gap in the literature and aims to pinpoint which AI approach is best for accurate AF detection. Electrocardiograms (ECGs) from a Canadian ICU and the 2021 PhysioNet/Computing in Cardiology Challenge were used to conduct the experiments. Multiple training configurations were tested, ranging from zero-shot inference to transfer learning. Results: On average and across both datasets, ECG FMs performed best, followed by DL, then feature-based classifiers. The model that achieved the top F1 score on our ICU test set was ECG-FM through a transfer learning strategy (F1=0.89). Conclusion: This study demonstrates promising potential for using AI to build an automatic patient monitoring system. Significance: By publishing our labelled ICU dataset (LinkToBeAdded) and performance benchmarks, this work enables the research community to continue advancing the state-of-the-art in AF detection in the ICU.