综述：人工智能驱动的心律失常检测综述：从经典机器学习到利用心电图（ECG）和脉搏血氧饱和度（PPG）信号的量子机器学习

心脏节律检测是计算生物医学工程的重要领域，传统方法存在局限性，而AI结合量子计算显著提升了诊断的准确性、可扩展性和可靠性。研究系统梳理了2014-2025年间IEEE、Springer等数据库的ECG/PPG数据分析、特征提取、分类算法及评估标准，重点探讨量子机器学习（QML）与深度神经网络的融合机制，通过量子并行性和纠缠效应优化特征表示与分类性能，并提出ML/DL/QML混合框架作为未来发展方向。

　　

摘要

检测心律失常现在是计算生物医学工程中一个非常重要的领域。这是因为异常的心律影响着全球超过5900万人，而传统的诊断方法存在一些问题。心电图（ECG）和光电容积描记法（PPG）仍然是临床环境或可穿戴设备中监测心脏的主要方法。然而，信号处理、机器学习（ML）、深度学习（DL）以及新兴的量子机器学习（QML）领域的快速发展，使得心律失常的诊断成为了一个计算加速、算法驱动的过程。本研究全面概述了基于人工智能的心律失常检测的最新进展，重点探讨了这些方法如何提高早期诊断的准确性、可靠性和心脏监测系统的理解能力。该研究严格分析了文献中使用的公开可获取的ECG和PPG数据集、特征提取技术、分类方法以及性能评估标准。研究的重点是将量子机器学习（QML）与深度神经架构相结合，利用量子计算通过量子并行性和纠缠来增强特征表示、降维和分类精度。调查范围涵盖了2014年至2025年间发表在IEEE、Springer、ScienceDirect、PubMed、Frontiers和MDPI等知名数据库中的相关研究。这些研究使用了诸如“心律失常检测”、“心房颤动”、“不规则心跳诊断”、“机器学习”、“深度学习”、“量子机器学习”、“量子混合神经网络”和“超参数优化技术”等关键词。本研究汇总了最新的研究成果，指出了需要进一步研究的领域，并提出了未来人工智能驱动的心脏诊断技术的发展方向。最后，研究建议采用一种结合了ML、DL和QML方法的混合框架，以使心律失常的预测和分类更加准确、可扩展和可靠。