企业官网建设流程全解析

你有没有想过，一台心电图机拉出来的那条曲线，为什么医生扫一眼就能说出“偶发室早”？答案其实藏在一堆数字里——两个相邻QRS波之间的间隔忽然缩短了，QRS本身变宽了，T波方向反了。机器能做的事情，本质上就是把医生眼睛在做的这些测量，用数字和规则重新描述一遍。

这篇文章想分享的，是我用Matlab实现“心电图心律失常检测”整个流程的完整经验：从MIT-BIH数据库里拿数据、把噪声滤掉、准确找出每个QRS波群、再根据RR间期和波形形态判断心律失常常见类型，最后封装成一个带GUI的工程。适合正在做生物医学工程、电子信息方向课程设计或毕业设计的同学，也适合刚接触ECG信号处理、想找一个完整练手项目的读者。读完你至少能跑通一版能演示、能出报告、能答辩的心律失常检测系统，并且知道自己做的每一步在生理上到底对应什么。

1. 为什么心律失常检测值得用Matlab做，以及心电信号里装着哪些数字

1.1 ECG波形到底在说什么

先花一分钟把ECG的“零件”认全。一个完整心动周期的心电图，主要有P波、QRS波群、T波三段，加上PR间期、ST段、QT间期这些“间隔”信息。

P波对应心房去极化，是心电周期里第一个小鼓包；QRS波群对应心室去极化，是整个信号里最尖锐、幅度最大的部分，也是机器检测的“锚点”；T波对应心室复极化，通常是一个圆钝的波峰。医生判断心律失常，绝大部分时候是围绕这些波的“节律”和“形态”做文章：

• 节律信息：两个R峰之间的间隔（RR间期）是否均匀、心率快慢、有没有长时间停顿；
• 形态信息：QRS波是否宽大畸形、P波是否存在且和QRS有没有固定关系、T波方向是否反了。

所以ECG信号处理的第一步，不是急着上卷积神经网络，而是先把这些波形在Matlab里“数”出来。你只要能把R峰一个个找对，后面所有心律失常判据就都有了地基。

1.2 心律失常检测的本质：把医生的“扫一眼”翻译成数字

医生看心电图快，是因为大脑同时在处理三组数字：第一组是时间间隔，比如RR间期是否长短不一；第二组是波形形态，比如QRS宽度是否超过120毫秒；第三组是节律模式，比如“房颤的特点是节律绝对不规则、P波消失”。

这三组数字放在Matlab里，其实就是：

• 用R峰位置差分得到RR间期序列；
• 用峰值宽度、幅度、模板相关系数描述QRS形态；
• 用P波检测和RR间期变异性描述节律模式。

这个项目的本质，就是把这三组数字提取出来，再用规则或分类器映射到“窦性心动过缓”“室性早搏”“房颤”这些临床概念上。

1.3 为什么我推荐用Matlab而不是Python或C++

我知道现在Python在深度学习领域很火，但这个特定场景里Matlab有不可替代的便利性。

第一，信号处理工具箱太齐全。Butterworth滤波器、filtfilt零相位滤波、小波去噪、findpeaks峰值检测，全是现成的，不需要你去装第三方库、倒腾环境依赖。第二，调参和看波形极其顺手。你可以一边改截止频率一边看曲线变化，这种交互式调试体验对学习信号处理非常关键。第三，做课程项目要输出图表和报告，Matlab画出来的波形图可直接用于论文和PPT，答辩时不用额外加工。第四，Matlab自带App Designer，拖几个组件就能做一个界面，做演示比Python的tkinter省事不少。

但我也说句实在话：如果以后准备长期搞深度学习部署，Python肯定绕不开。做这个项目时用Matlab理解原理，之后迁移到Python并不难，因为核心思想完全一致。

2. 数据地基：从MIT-BIH数据库到可计算的向量

2.1 MIT-BIH数据库的基本情况

心律失常检测项目里，绕不开的数据集就是MIT-BIH Arrhythmia Database。这个数据库从20世纪70年代开始建立，包含48条双导联ECG记录，每条时长约30分钟，采样率360Hz。信号是用MLII导联加V1或V2导联记录的，分辨率为11位。每条记录都配有由至少两位心脏病专家独立标注的心拍类型，这是你可以用来做准确率评估的“参考答案”。

用这个数据库有几点好处。第一，全球研究者都在用，你的结果可以和文献对比；第二，里面涵盖了正常、室性早搏、房性早搏、左右束支传导阻滞、房颤等多种心律现象，适合做分类验证；第三，格式公开透明，有多种读取工具可用。

选记录时我建议不要一上来就挑战最难的那几条。100号、105号、106号这几条记录是做基础检测的经典选择，其中100号基本是正常节律带少量异常，适合先跑通流程；106号、119号、200号这类记录室性早搏很多，适合验证PVC检测能力。

2.2 三种读取MIT-BIH数据的路线

MIT-BIH原始数据是WFDB格式，扩展名分别是.hea（头文件）、.dat（信号数据）和.atr（标注文件）。三种常见路线是：

• 直接用PhysioNet提供的数据页面下载已经转换好的.mat文件，再用load读入，缺点是不一定每条记录都有人帮你转好；
• 安装WFDB Toolbox（PhysioNet官方的Matlab工具箱），使用rdsamp和rdann两个函数读取信号与标注，这是最规范的做法；
• 自己按.hea文件里的采样率、增益和信号格式写脚本解析二进制.dat文件，适合想彻底搞懂底层格式的人。

我在项目里用的是WFDB Toolbox路线，读取代码非常干净：

% 读取100号记录的第一导联信号 [signal, Fs, tm] = rdsamp('100', 1); % 读取对应的节拍标注 annotations = rdann('100', 'atr');

其中Fs是360，tm是以秒为单位的时间戳。

2.3 标注文件是第一份“参考答案”

标注文件是ECG检测项目里容易被忽略但极其重要的部分。rdann返回的是一串数字，每个数字代表一个心拍的位置（采样点索引），你要根据标注代码去判断这个心拍是什么类型。MIT-BIH的常用标注代码包括：N代表正常心拍、V代表室性早搏、A代表房性早搏、L代表左束支阻滞、R代表右束支阻滞、~代表噪声或无法分类。

读取标注后需要立即做的事，是把它换算成时间位置并对齐信号：

annTime = annotations ./ Fs;

这样你得到的每个标注点都和信号上的时间一一对应。后续算混淆矩阵时，把算法检测到的心拍位置与标注位置匹配，就能统计出哪些检测对了、哪些漏检了、哪些多检了。

我个人的建议是：不要在读取一条记录后把标注藏着，而是从一开始就把检测结果和标注一起画在图上，用不同颜色标记。这个习惯能让你肉眼判断检测质量，比只看数字指标有效得多。

3. 滤波参数背后的生理学逻辑：不可能把噪声“完美”去掉，但可以有的放矢

3.1 三种主要噪声的频段和来源

ECG信号本身幅度只有毫伏级，在实际采集过程中混入的噪声往往比信号还要强。常见的噪声源有三类：

理解了噪声频段，你才能理解为什么滤波器的截止频率要那样设计。很多教程一上来就让你用0.5Hz高通，但没说清楚理由——0.5Hz以上基本没有呼吸和电极移动造成的慢变漂移，0.5Hz以下全是低频噪声。同理，带通滤波器选5到15Hz，是想让QRS波群（能量集中在5-20Hz附近）通过，同时把P波、T波和大部分噪声压制掉。

3.2 基线漂移处理的两条路线

处理基线漂移，我试验过两套方案，各有适用场景。

方案一是零相位高通滤波。Matlab里用filtfilt而不是filter，是因为filtfilt会做正向和反向两次滤波，相位延迟被抵消，波形不会出现明显的平移或变形。推荐用2阶到3阶的Butterworth：

[b, a] = butter(3, 0.5 / (Fs/2), 'high'); ecg_detrend = filtfilt(b, a, ecg_raw);

方案二是中值滤波基线估计。先用一个200毫秒窗口的中值滤波把QRS这种窄尖峰全部当“离群点”滤掉，得到的就是一条相对平缓的基线，再用原始信号减去这条基线。这个方案的优点是ST段形态保持得很好，缺点是实时性差一些。离线分析完全可以用。

实际项目里我用的是“高通+中值”组合：先用高通滤掉呼吸级的慢漂移，再用中值方法处理偶尔的电极松动阶梯漂移。如果你只想把流程跑通，只做高通也行。

3.3 工频陷波器的取舍

市电干扰的经典处理办法是陷波器。在Matlab里可以用iirnotch设计一个中心频率为50Hz（国内电网）的陷波器：

wo = 50 / (Fs/2); bw = wo / 35; [b, a] = iirnotch(wo, bw); ecg_notch = filtfilt(b, a, ecg);

这里bw对应陷波带宽，35这个值你可以理解成陷波的“锐度”。陷波器会滤掉50Hz附近很窄一段，对QRS的形态影响很小，但并不是零影响。

我踩过一个实际的坑：为了把工频干扰滤得更彻底，我把陷波带宽调大，结果QRS波群的斜率被削平，R峰检测灵敏度下降。后来学乖了，陷波只用来伤害噪严重的记录。做QRS检测时甚至可以跳过陷波，因为5到15Hz的带通滤波已经能把50Hz工频压制到很低。滤波链的顺序必须想清楚：先高通或中值去基线，再带通去高频噪声，最后对心电图展示和P波检测做陷波。

3.4 肌电干扰和其他杂项处理

肌电干扰是散在的高频毛刺，随机性强，对QRS检测的破坏主要在R峰附近制造假峰。常用做法是小波阈值去噪：选择sym8小波，分解到第4或第5层，对高频细节系数做软阈值收缩，再重构信号。

我的经验是，小波去噪效果确实好，但计算量比普通滤波大不少，跑完整条30分钟记录要耐心等结果。如果只是课程设计演示，可以用一个更朴素的方案：在差分结果上再做一次5点滑动平均，牺牲一点锐度换稳定性，速度极快。

还有一类“噪声”不算干扰但同样容易造成误检：高耸的T波。T波频率低于QRS，通常能被带通滤掉，但T波特别高的时候，它的残余成分依然可能超过检测阈值。解决思路不是在滤波器上死磕，而是在检测算法里通过合理的不应期让T波被忽略。这一点在下一节详细展开。

4. Pan-Tompkins不是玄学：QRS检测的Matlab逐行实现

4.1 算法流水线的生理学依据

QRS检测是整个项目正确率的天花板。R峰找不到或者找多了，后面所有心律失常判据都是空中楼阁。目前最简单实用的经典算法是Pan-Tompkins算法，1985年发表，到今天依然是很多监护仪的基础。

算法分五步：

• 带通滤波：保留5-15Hz成分，QRS的主能量正好在这一段，P波和T波被明显削弱；
• 差分：QRS斜率比P波和T波陡，一阶差分后QRS位置会出现很大的输出值；
• 平方：对差分结果做逐点平方，让大的差值更大、小的差值更小，增强信噪比；
• 移动窗口积分：平方后的信号是一串尖刺，用约150毫秒的窗口做积分，把单个尖刺扩展成平台，方便后续找峰；
• 自适应阈值检测：平台峰值超过动态阈值就认为找到一个QRS，同时启动约200毫秒的不应期。

第五步的自适应阈值特别关键。简单用全局固定阈值往往只在一条记录上有效，换成别的记录就失灵。因为不同人的ECG幅度差异很大，同一个人的信号幅度还会随时间波动，所以阈值必须跟着信号走。

4.2 自适应阈值和不应期到底怎么理解

自适应阈值的核心思想是维护两个估计值：信号幅度水平signalLevel和噪声水平noiseLevel。初始时取积分信号的最大值作为signalLevel，然后对每个候选峰值做判断，判断公式为：

threshold = noiseLevel + 0.35 * (signalLevel - noiseLevel);

如果当前峰超过threshold，判定为QRS，并让signalLevel向当前峰的幅度靠拢；否则归为噪声，更新noiseLevel。这个0.35系数影响很大，调大一点能压误检但增加漏检，调小一点则相反。我习惯在0.3到0.4之间微调，检测和分类两个阶段可以用不同系数：检测阶段略低保证不丢峰，分类阶段结合形态再过滤假峰。

不应期对应的是心脏电生理里的不应期机制。一个完整的QRS波群宽度在80到120毫秒左右，加上复极过程，在200毫秒内不可能再出现另一个正常QRS。如果在200毫秒内又检测到超过阈值的峰，大概率是T波或噪声。所以检测器一旦确认了一个R峰，就锁定200毫秒不响应。这个参数在心率很快的时候要适当缩短，否则可能漏掉快速室速里的某些心搏。

4.3 可复现的Matlab骨架与参数位点

我会把一个能直接跑的检测骨架写在这里，方便你动手调试：

function rIdx = detectQRS(ecg, Fs) % 带通滤波 [b, a] = butter(2, [5 15] / (Fs/2), 'bandpass'); filtered = filtfilt(b, a, ecg); % 差分与平方 diffed = diff(filtered); squared = diffed .* diffed; % 移动窗口积分，窗口150ms winLen = round(0.150 * Fs); integ = conv(squared, ones(1, winLen) / winLen, 'same'); % 自适应阈值与不应期检测 refMs = 0.200 * Fs; thresholdFactor = 0.35; signalLevel = max(integ); noiseLevel = 0; threshold = signalLevel * thresholdFactor; lastPeak = -inf; rIdx = []; for i = 2:length(integ) if i < lastPeak + refMs continue; end if integ(i) > threshold [~, localMax] = max(integ(max(1,i-5):min(end,i+5))); peakPos = i - 5 + localMax - 1; rIdx(end+1) = peakPos; signalLevel = 0.125 * integ(peakPos) + 0.875 * signalLevel; lastPeak = peakPos; else noiseLevel = 0.125 * integ(i) + 0.875 * noiseLevel; end threshold = noiseLevel + thresholdFactor * (signalLevel - noiseLevel); end end

这里面的可调参数位点，我整理了一下：

• 带通滤波器上下限：5Hz和15Hz，T波明显高耸时可把下限提到7Hz；
• 积分窗口宽度：100到180毫秒，窗口太大会把两个紧挨的R峰合并成一个，太小会在同一个QRS上产生多个峰；
• 阈值系数：0.3到0.4，看漏检和误检的侧重；
• 不应期：150到250毫秒，心率快时取小值。

调参的窍门是：先按默认参数跑一条记录，看误检属于“T波被当成R峰”还是“R峰被漏掉”，再有针对性地调整。一次只动一个参数，改动后用同样几条测试记录对比前后的灵敏度、阳性预测值变化。这条经验至少能帮你节省一个下午的时间。

5. 把逐拍结果变成病历语言：RR间期特征与心律失常判据的组合设计

5.1 从QRS序列到RR间期特征

R峰位置拿到后，第一件事是转成RR间期序列：

rrIntervals = diff(rIdx) / Fs; % 单位：秒

RR间期序列之所以重要，是因为它是判断心率快慢、齐不齐的基本素材。从RR间期还能计算平均心率：

heartRate = 60 / mean(rrIntervals);

但仅仅看平均不够，我会额外提取几个特征供后续分类使用：

• 前RR间期：当前心搏与上一个R峰的时间差；
• 后RR间期：当前心搏与下一个R峰的时间差；
• 局部RR均值：取前后各5个RR间期的平均值，代表当前心率的基线；
• RR变异系数：最近10个RR间期的标准差除以均值，用于评估节律是否规整；
• 相邻RR差：当前RR与下一个RR的绝对值差，房颤时这个值变化非常大。

这些特征合起来，等于把一个原始心电信号转换成了一张“病历表格”：每行是一个心拍，每列是一个数值特征。表格建好后，规则判断和机器学习分类器都能往上套。

5.2 常见心律失常的判据设计

我常跟人讲，心律失常分类最稳妥的做法是“规则优先，模型兜底”。规则直接可解释、答辩好讲、也不容易过拟合。下面是我实测过的一套规则初版：

规则里最常用的两类判据是室性早搏和房颤，因为它们在MIT-BIH里数量多、临床意义也大。室性早搏我用“QRS宽度+RR提前量+模板相似度”三重确认，比只靠RR缩短误检少得多。房颤我用的是RR变异系数加P波缺失联合判断，动态看一个滑动窗口（比如30秒）内的节律是否持续紊乱。

5.3 形态特征：模板匹配让规则更结实

很多教程讲完RR间期就停了，导致读者只会判断“快”“慢”“乱”，遇到早搏就抓瞎。原因在于早搏不仅是时间上提前，形态上也变了——宽大畸形的QRS才是室性早搏的身份证。

形态特征的做法是先建“正常模板”。取记录前5分钟内若干个形态规则、RR间期正常的心拍，把QRS片段截出来做逐个对齐、平均，得到一个正常QRS模板。然后对每个待检测心拍，计算它与模板的相关系数：

template = mean(normalBeats, 2); corrCoef = xcorr(beat, template, 0, 'coeff');

相关系数高说明形态接近正常，低说明可能是异位心搏。我把这个相关系数和QRS宽度一起喂给规则，识别室性早搏的准确率明显比只看RR间期高一截。

形态特征还有一个用途是给后续机器学习分类器做输入。当你要把心拍分成正常、室早、房早、束支阻滞等多类时，单纯规则会写到手软，这时可以把RR特征加形态特征拼成特征向量，丢给SVM或随机森林。特征工程做到这一步，从规则法过渡到机器学习法几乎没有门槛。

6. 一个可以答辩的工程：模块化脚本、GUI与性能报告

6.1 模块划分与文件组织

很多同学交上来的Matlab项目是一个几百行的主脚本，跑完出一个图就结束。这种完成度应付课程报告还可以，但离“工程”还差得远。我习惯把流程切成几个独立模块：

• dataLoader.m：负责从WFDB或MAT文件读入数据；
• preprocessor.m：负责去基线漂移、陷波、去肌电；
• qrsDetector.m：负责R峰检测；
• featureExtractor.m：负责计算RR间期和形态特征；
• classifier.m：负责根据规则或模型输出心律事件；
• evaluator.m：负责与标准标注对比，输出混淆矩阵和指标；
• visualizer.m：负责画波形、标R峰、标事件。

模块之间尽量通过函数接口通信，不要共享全局变量。参数可以用一个struct统一管理：

params.detector.thresholdFactor = 0.35; params.detector.refractoryMs = 200; params.filter.highCut = 15;

这种设计的好处是：你想换一条记录、换一组参数、换一个分类策略，都不用动其他模块。做毕业论文时，模块化能让你在“方法”章节写得很扎实。

6.2 App Designer做GUI的思路

如果你需要做课堂演示，我强烈建议用App Designer搭一个简单界面。组件也不需要多：一个“打开文件”按钮、一个坐标区显示原始信号和滤波信号、一个“检测R峰”按钮、一个坐标区标出R峰和事件区间、一个表格列出检测出的心律失常事件、再加上几个参数输入框显示阈值和不应期参数。

关键回调的逻辑很清晰。用户点击检测后，界面调用detectQRS得到峰位置，再调用featureExtractor和classifier，最后把结果画出来：

% 按钮回调示意 function detectButtonPushed(app, event) data = app.Data; [rIdx, rr] = detectQRS(data.signal, data.fs); events = classifyArrhythmia(rIdx, rr, data); plot(app.SignalAxes, data.time, data.signal); hold(app.SignalAxes, 'on'); plot(app.SignalAxes, data.time(rIdx), data.signal(rIdx), 'ro'); app.EventTable.Data = events; end

界面上的参数输入框可以和检测函数联动。比如你在GUI里把不应期从200改成250，重新点检测，图上的峰标注立即变化，这个过程非常直观，也方便你去解释每个参数的作用。

6.3 评估报告是答辩的底气

工程做完整之后，下一步就是量化“到底做得好不好”。我建议生成一个标准评估报告，包含三件事：混淆矩阵、分类指标、事件列表。

以心拍级别为例，把算法检测结果和MIT-BIH标注按时间对齐后，统计TP、FP、FN，计算：

Se = TP / (TP + FN); % 灵敏度 PPV = TP / (TP + FP); % 阳性预测值 Acc = (TP + TN) / (TP + TN + FP + FN); % 准确率

灵敏度描述的是“该检出的心拍有没有漏”，阳性预测值描述的是“检出的心拍里有多少是真的”。这两个指标要一起看，单独强调其中一个都容易失真。

报告里还应列出事件列表，比如“第431秒检测到室性早搏”“第800秒到830秒RR间期持续不规则，提示房颤”，每一条都配上对应时间窗口的波形缩略图。答辩时拿出这样一份报告，远比口说“效果不错”有说服力。

7. 实测结果、误检根因与调参思路

7.1 我的实测数据

我用上面的方法在MIT-BIH上跑了若干条记录，固定一组参数，不做逐条微调。结果大致是：在100号、105号、106号这些噪声相对可控的记录上，R峰检测的灵敏度能到99%以上，阳性预测值在98%左右；在噪声很重、标注情况复杂的记录上，阳性预测值会掉到95%上下，主要原因是肌电毛刺和异常形态被当成了QRS。

心拍分类层面，区分正常心拍与室性早搏的准确率在93%到96%之间。这不是一个顶尖成绩，但作为课程设计或毕业设计早期版本是完全够用的。我在改进过程中最大的体会是：分类性能的上限，基本由R峰检测质量决定。先花大力气把检测调到误检漏检都很少，再谈分类优化。

7.2 四大误检根因与对应策略

自己实现一遍后，我发现误检基本集中在四种情况。第一种是T波被当成R峰，常见于T波高耸且阈值过低，对策是调高阈值系数、延长不应期，或加入形态宽度校验。第二种是运动伪差造成的宽脉冲，频谱接近ECG，难以靠滤波完全消除，对策是加入模板相关系数做二次过滤。第三种是早搏后代偿间歇导致RR间期特别长，算法可能把这个长间歇误判为停搏，对策是设定停搏阈值前先确认“确实没有漏检”。第四是P波振幅很大的个体，有时P波会被当R峰，对策是带通下限适当调高，或在峰值高度上做比例约束。

这些根因听起来简单，但排查过程往往很绕。我的建议是每次发现误检，先把事件窗口的原始信号、滤波后信号、积分信号三张图同时画出来，对照着看是哪一个环节让假峰跳了出来。绝大多数问题都能通过这种方法定位到具体算法步骤。

7.3 调参顺序与防止“假泛化”

调参顺序我总结了四个字：先检后分。先把R峰检测的灵敏度、阳性预测值调到满意，再动分类阈值。不要在分类阶段通过降低检测灵敏度来掩盖检测问题，那样会越调越乱。

还有一个很多新手会犯的错误：对每条测试记录轮流微调参数，调到每条都好看，然后宣称“在不同数据上都表现优秀”。这本质上是用测试集调试参数，是典型的过拟合。正确的做法是先用几条记录定下参数，再用没参与调参的记录做验证。就算个别记录效果一般，也如实写出来，说明原因，这反而比虚高的指标更能体现你对问题的理解。毕业论文里“局限性分析”这一节，往往就是从这里来的。

8. 扩展方向：深度学习来了，经典方法还该不该学

8.1 经典方法的价值在哪里

同组同学用LSTM直接对原始ECG做分类，准确率确实高，但每当我问他“这个模型为什么把那个心拍判成PVC”，他答不上来。规则法的一个独特优势是每个判断都有明确逻辑链：因为RR缩短、QRS变宽、模板相似度低，所以是室性早搏。这种可解释性在工程调试和临床交流中非常重要。

经典方法的另一个价值是效率。Pan-Tompkins的整个流程在普通电脑上处理30分钟记录只需要几秒，而深度学习模型如果训练数据不够，很容易在个体差异大的ECG上翻车。我始终建议先实现经典方法，把它当作理解ECG信号的骨架，再考虑用深度学习增强，而不是直接跳过基础。

8.2 一条务实的深度学习升级路线

如果时间充裕，建议做三级架构：预处理和R峰检测仍然用经典算法，把心拍切出来之后送入深度学习模型做形态分类。输入可以是每个心拍前后各0.4秒的波形，模型用一维卷积加双向LSTM，输出对应正常、室早、房早、束支阻滞等类别。

训练时最关键的是按记录划分数据集，而不是把同一条记录的前后片段分别塞进训练集和测试集。同一患者的心电特征高度相似，片段混用会导致评估结果虚高，这就是所谓的数据泄漏。按记录划分才能确保你的模型对新患者有一定泛化能力。

Matlab的Deep Learning Toolbox能直接搭建这个网络，训练完还能导出为PyTorch或ONNX格式，项目规模和学习工作量都可控。

8.3 学习顺序建议

我的建议是，一周以内做完规则法项目，再用剩余时间考虑深度模型。规则法先带给你对ECG信号的体感，这种体感是后面所有复杂模型的基础。不要一上来就刷数据集、调网络结构，那样做出来的项目你很难讲清楚为什么采用这个设计，答辩时也经不起追问。

我见过不少同学最后做出来的深度学习效果反而不如认真调过的规则法，原因是他们把R峰检测交给了模型，但训练数据有限，模型连“QRS在哪”都学得不稳。先检测，再分类，永远是ECG项目的稳妥路线。

做这个项目的过程中，我最深的一个体会是：信号质量评估和可解释性，比你想象的重要得多。标准库里清洗过的信号怎么跑都好看，一旦换成真实场景的低幅信号，规则法和深度模型都会打折扣。所以我在交付项目时，总会在入口加一个信噪比检查模块，信号质量太差就提醒用户不要直接采信诊断结果。这个细节不会被写进代码注释，但任何一个用过真实ECG数据的人，都会明白它有多关键。