摘要
心脏心律失常是一种由紊乱的电活动动态特征引起的心脏节律异常，会损害心脏功能，并造成全球性的发病率和死亡率负担。从生理时间序列中早期准确预测心律失常异常对于有效干预至关重要，但由于心脏动态的非线性、非平稳性和个体化特性，这仍然具有挑战性。尽管基于机器学习的心律失常检测已取得显著进展，但大多数现有方法仅作为心电图信号上的静态分类器运行，缺乏在线预测、患者特异性适应和机制可解释性。
从动力系统角度来看，心律失常代表了定性状态的转变，通常由难以实时检测的细微、时间延伸的偏差所预示。本文我们介绍了CASCADE（心脏异常检测的混沌吸引子敏感性），这是一个基于特殊类型的储备池计算——动力系统机器学习（DynML）构建的在线个性化异常预测框架。DynML使用连续时间非线性动力系统的集合作为混沌储备池，以逐心跳为基础重建和预测短期心脏动态，仅需训练线性读出层。这种设计使得无需重新训练底层动力模型即可实现高效的在线适应。CASCADE不依赖于静态的心跳级别分类，而是将心律失常事件识别为短期可预测性的失败，表现为相对于个体特异性基线的预测动态与观测动态之间具有统计学意义的偏差。
检测性能由储备池的内在动力学复杂性决定，通过拓扑熵进行量化。在临界熵状态附近运行的储备池能够最优地放大心跳动态中细微的、时间延伸的不规则性，使初期心律失常特征在读出层上呈线性可分离状态。因此，拓扑熵既可作为模型性能的预测指标，也可作为储备池设计的原则性控制参数。在MIT-BIH心律失常数据集上的评估表明，CASCADE在不同患者群体中均取得了持续高F1分数、精确度、召回率和整体准确率，证明了其在临床和现实世界环境中的强大泛化能力。通过整合混沌储备池计算、熵引导调谐和在线个性化预测，CASCADE将心律失常检测重新定义为动力学状态转变问题而非静态分类问题。这一视角为实时心脏监测和早期预警临床决策支持提供了一个可扩展、可解释且计算效率高的框架。
竞争利益声明
作者声明无任何竞争利益。
资金声明
本研究由美国国立卫生研究院（NIH）下属的国家糖尿病、消化系统和肾脏疾病研究所（NIDDK, ZIA DK075091-13）的院内研究计划资助。NIH作者的贡献被视为美国政府作品。本文提出的发现和结论属于作者观点，不一定反映NIH或美国卫生与公众服务部的观点。
作者声明
确认所有相关伦理准则均已遵循，且已获得必要的IRB和/或伦理委员会批准。
批准或豁免研究的IRB/监督机构的详细信息如下：
本研究仅使用（或将使用）最初位于
确认所有必要的患者/参与者同意书已获得，适当的机构表格已归档，且任何患者/参与者/样本标识符均不为研究组外任何人（例如医院工作人员、患者或参与者本人）所知，因此无法用于识别个人。
确认：是
我理解所有临床试验和任何其他前瞻性干预研究必须在ICMJE批准的注册机构（如ClinicalTrials.gov）进行注册。我确认稿件中报告的任何此类研究均已注册，并提供了试验注册ID（注意：如发布回顾性注册的前瞻性研究，请在试验ID字段中提供说明，解释为何研究未提前注册）。
确认：是
我已遵循所有适当的研究报告指南，如任何相关的EQUATOR Network研究报告清单和其他相关材料（如适用）。
确认：是
【全文结束】
