心电图模型怕的不是滤波，是相位：换一种因果滤波器，传导阻滞识别从0.91掉到0.62
核心概要
实时心电监护只能用因果滤波器，而这类滤波器的非线性相位会把心电波形不同频率成分错开。在三个独立临床数据库共36,583条12导联心电记录上，仅改变相位、保持频谱幅度不变，ResNet-18的宏AUROC在PTB-XL上下降0.1244，传导阻滞类识别从0.91以上跌到约0.62。一种训练时随机施加全通相位扰动的正则化方法，在各队列挽回了86.9%至90.9%的相位致性能损失，且不改变模型结构。
深度剖析
因果滤波器的相位特性本身就能让深度心电分类器明显失准，即使滤波后的频谱幅度完全不变。 此前的基准流程通常固定使用一个巴特沃斯带通滤波器，很少检验学习到的表征能否跨不同滤波器拓扑或相位特性泛化。 用全通滤波器级联把相位色散与幅度衰减分开，其幅度响应偏差不超过3.66×10⁻¹⁵；在PTB-XL、CPSC-2018和Chapman-Shaoxing三个队列上，ResNet-18的宏AUROC分别下降0.1244、0.0278和0.0574，95%自助法置信区间均不含零。
性能损失集中在依赖高频QRS切迹的传导异常类别，说明模型学到的是训练滤波器的相位签名。 同一批模型在巴特沃斯输入上准确率最高，而四阶切比雪夫I型滤波几乎不影响精度（0.9138对0.9144），说明非零群延迟本身并不导致失败。 在Chapman-Shaoxing上，右束支传导阻滞的AUROC从0.9967降到0.6186；在CPSC-2018上从0.9894降到0.9344；PTB-XL上传导阻滞类从0.91以上跌到约0.62。
训练时随机施加全通相位扰动（AP-Aug）能在不改动网络结构的前提下恢复大部分性能。 常规数据增强如加噪、时间抖动只改变信噪比或整体平移，不改变波形内部谐波的相对相位。 每个样本以0.5概率经过一个随机全通节，极点半径取0.65至0.90、中心频率取5至30赫兹；在三个队列上分别挽回90.92%、86.93%和90.82%的相对损失，干净基线与未增强模型相当（0.9133对0.9144）。
启示与展望
结论建立在软件模拟的因果数字滤波器上，信号统一降采样到100赫兹，评估架构限于一维CNN和ResNet-18。三个队列各自独立训练与评估，用于检验跨临床数据库的可复现性，而非单一锁定模型的跨医院零样本迁移。AP-Aug的增强参数取自有理全通滤波器族，评估探针落在该训练分布支撑之内。
增强只在有理全通族内验证，对非有理的连续硬件滤波器未做评估，延迟对齐FIR上仅挽回42.5%的损失，说明相位增强不能解决族外幅度失配。所有配置只用单一随机初始化种子训练，自助法区间刻画的是固定模型的测试抽样不确定性，而非种子间训练波动。物理模拟前端带来的连续相位偏移、元件容差与温漂仍需硬件在环验证，原生500赫兹采样下的表现也待检验。视觉Transformer和状态空间模型等架构未纳入评测。