超参数优化提升房颤检测：Hyperband+XGBoost达96.95% F1

房颤（Atrial Fibrillation, AF）是最常见的持续性心律失常之一，其早期检测对预防卒中与心衰至关重要。近年来，机器学习与深度学习模型被广泛用于基于心电图（ECG）的房颤自动识别，但模型性能高度依赖超参数配置，而系统性的超参数优化（HPO）在房颤检测中的价值仍缺乏充分评估。一项新研究围绕这一空白展开，比较了多种分类器与HPO策略的组合效果，并给出了一条清晰的性能基线。

研究设计与模型选择

研究同时覆盖传统机器学习与深度学习两条路线。传统侧采用决策树、随机森林与XGBoost三种标准分类器；深度学习侧则纳入循环神经网络（RNN）、深度神经网络（DNN）以及孪生神经网络（Siamese Neural Networks）。这一组合既包含了表格特征场景下的强基线，也覆盖了序列建模与度量学习思路，便于横向比较不同模型族对超参数调优的敏感度。

在优化方法上，研究选取了四种具有代表性的HPO策略：遗传算法（Genetic Algorithm）、Hyperband、Optuna与SMAC3。这四者分别代表了进化搜索、早停式资源分配、贝叶斯优化与基于模型的配置搜索等不同范式，为评估“优化器选择是否影响最终检测精度”提供了较全面的对照。

Hyperband是一种基于早停（early-stopping）的资源分配式超参数优化算法。其核心思想是将有限的训练预算分配给大量配置，通过逐轮淘汰表现较差的配置，将计算资源集中到有希望的候选上。Hyperband本质上是“连续减半（Successive Halving）”策略的多次重复：每次以不同的小预算/大预算比例启动，从而在“探索更多配置”与“充分训练少数配置”之间取得平衡。相比网格搜索或纯贝叶斯优化，Hyperband在超参数空间较大、单次训练成本较高时效率优势明显，这也是其在XGBoost上取得最佳结果的机制基础。

XGBoost（eXtreme Gradient Boosting）是基于梯度提升决策树（GBDT）的集成学习算法。它通过加法模型逐步拟合残差，每一轮新增一棵树来纠正前序模型的预测误差，并在目标函数中同时加入损失项与正则化项以控制过拟合。XGBoost支持并行化与稀疏感知，训练效率高，且在表格特征场景下长期是强基线。在房颤检测中，若输入为手工提取的ECG特征（如RR间期变异性、频域指标等），XGBoost能有效捕捉特征间的非线性交互，这解释了它为何能匹敌更复杂的深度学习架构。

数据划分与类别不平衡的考量

实验基于PhysioNet心电图数据集，并分别采用患者间（inter-patient）与患者内（intra-patient）两种数据划分方式。前者要求训练集与测试集来自不同患者，更贴近临床部署时的泛化场景；后者在同一患者内部划分，通常能获得更乐观的指标。两种划分并列报告，有助于区分模型是真正学到了跨患者的判别能力，还是仅仅拟合了个体特征。

类别不平衡是房颤检测的固有难点——真实世界中房颤片段在长时程记录中占比很低。研究在两种划分下均考察了模型在类别不平衡条件下的鲁棒性，这使得结论更接近实际临床筛查情境，而非理想化的均衡数据集实验。

关键结果：Hyperband优化的XGBoost领先

在所有模型与优化器组合中，经Hyperband调优的XGBoost取得最佳表现，峰值F1分数达到96.95%。这一结果有两层含义：其一，在给定特征与数据条件下，梯度提升树类模型配合高效的资源分配式搜索，足以匹敌甚至超越更复杂的深度学习架构；其二，HPO并非无关紧要的工程细节，合适的优化策略能够实质性改变分类结果的准确性与稳健性。

提一嘴，F1分数在类别不平衡场景下比准确率更能反映实际检测质量，因为它同时兼顾了查准率与查全率。研究以F1作为核心报告指标，与其对不平衡数据的关注是一致的。

F1分数是分类任务中综合查准率（Precision）与查全率（Recall）的调和平均指标，计算公式为 F1 = 2 × (Precision × Recall) / (Precision + Recall)。在房颤检测这类正负样本严重不均衡的场景中，若模型倾向于预测多数类（非房颤），准确率仍可能很高，但查全率会极低——即大量房颤片段被漏检。F1分数对查准率与查全率的对称惩罚使其能有效暴露这种“虚假高准确率”，因此成为不平衡数据分类中比准确率更受青睐的核心评价指标。文中峰值F1达96.95%，意味着查准率与查全率均处于很高水平。

对临床落地的启示

该研究传递的核心信息是：房颤分类模型的临床可用性，不仅取决于网络结构或特征工程，也在相当程度上取决于超参数优化策略的选择。Hyperband之所以在XGBoost上表现突出，与其通过早停机制把计算预算集中到有希望的配置上有关，这在超参数空间较大时尤为高效。

另一层启示在于评估协议。患者间划分下的稳健表现，才是模型进入真实筛查流程的前提。研究同时报告两种划分，为后续工作提供了一个可复现的对照框架。未来若能在更多数据集与更长时程记录上验证这一组合，Hyperband与XGBoost的搭配有望成为房颤自动检测的实用基线。