心房颤动（房颤，AFib）是最常见且持续性的心律失常，与显著的发病率和死亡率相关，包括中风和心力衰竭风险增加。在长期心电图（ECG）监测中准确检测房颤对于及时诊断和早期临床干预至关重要，特别是在使用可穿戴设备的门诊环境中。在本研究中，我们评估了一种轻量级卷积神经网络（CNN）用于自动房颤检测的性能，该网络最初在CinC2021数据集上进行训练，随后使用真实世界可穿戴ECG数据进行微调。该模型在三个独立数据集上进行了验证：InCorDB、CODE15和TRAdA队列，后者代表了来自可穿戴设备的长期ECG监测。TRAdA队列包括173名受试者（87名房颤患者和86名健康受试者），其中第1阶段（56名受试者）获得24小时连续ECG记录，第2阶段（117名受试者）获得7天连续ECG记录。总体而言，该数据集包含165,175个标注的ECG片段，其中包括24,252个房颤发作事件。经过微调的模型在TRAdA队列上的表现优于原始模型，表明其对可穿戴ECG信号的适应性得到了改善。在第2阶段数据集上，微调后的模型达到了更高的特异性（0.971 vs. 0.914）、F1分数（0.891 vs. 0.777）、受试者工作特征曲线下面积（AUC；0.992 vs. 0.988）和准确率（0.969 vs. 0.924），突显了其在扩展的真实世界监测场景中检测房颤的能力增强。这些发现表明，领域自适应微调显著提高了在长期可穿戴ECG监测中的房颤检测能力。我们的研究结果支持轻量级深度学习模型在真实世界门诊环境中进行可靠房颤筛查的可行性。
【全文结束】