ECGWmark：面向心电信号的深度水印技术新框架

心电图（ECG）信号在远程心脏医疗（telecardiology）中的安全传输始终是个棘手问题。如何在不损害临床诊断价值的前提下，将患者元数据嵌入信号本身，是业界长期探索的方向。一项名为 ECGWmark 的研究提出了一套全卷积、无量化的深度水印框架，试图弥合现有方案在鲁棒性与诊断保真度之间的裂缝。

传统水印方案的两难困境

将患者信息直接嵌入 ECG 信号的做法并不新鲜。传统的数学水印方法可以把患者元数据写入信号中，实现元数据与信号的绑定传输。但这类方法有一个致命弱点：对时间失同步极度脆弱。一旦信号发生循环相位偏移（circular phase shifts）等时序扰动，嵌入的信息往往无法正确提取。

另一条技术路线是借鉴音频等时序信号的深度水印方法。然而这些方案通常依赖有损量化（lossy quantization），在压缩过程中会牺牲高频的微观形态细节。而对心电信号而言，这些细微的高频形态恰恰是临床诊断的关键依据——丢失它们等于削弱了信号的医学价值。

换句话说，一边是抗干扰能力差，一边是诊断信息受损，两种既有路径都难以兼顾安全性与临床可用性。

循环相位偏移（circular phase shift）是指信号在时间轴上整体平移后首尾相接，形成循环——例如原本从第100个采样点开始的心跳波形，在传输或存储过程中变成从第150个采样点开始。对于依赖全局频域特征（如傅里叶变换）的传统数学水印而言，这种偏移会使嵌入位置与提取位置完全错位，导致信息无法恢复。在远程心脏医疗的实际链路中，信号压缩、重采样、网络缓冲区的拼接截断，都可能引入此类时序扰动，因此抗失同步能力是评价ECG水印方案实用性的首要指标。

ECGWmark 的核心设计思路

ECGWmark 的定位是一套面向医疗时序信号的全卷积、无量化深度水印框架。它的几个关键设计值得拆解：

连续全分辨率隐空间

不同于依赖量化的做法，ECGWmark 在**连续的、全分辨率的隐空间（latent space）**中运行。这意味着它避开了量化带来的信息损失，从源头上保留了对诊断至关重要的高频微观形态细节。

隐空间（latent space）在深度学习中指编码器将原始输入压缩后得到的中间表征空间。传统音频深度水印（如AudioSeal、WavMark等）的常见做法是先将信号编码到低维隐空间，嵌入水印后再解码回原始长度；为确保隐空间的值能被数字系统存储和传输，往往需要对其进行量化（即将连续浮点数映射到有限的离散级别）。量化不可避免地引入舍入误差，对音频的感知影响尚在可接受范围，但ECG信号中ST段抬高幅度、QRS波宽度等诊断特征的变化量级仅在毫伏或毫秒级，量化噪声极易将这些微弱但关键的形态特征淹没。ECGWmark选择在全分辨率的连续隐空间中直接操作，本质上是以更高的计算成本换取对信号精度的完整保留。

帧级局部化机制

为了应对严重的时序失同步问题，ECGWmark 引入了局部化的帧级（frame-level）机制。这一设计直接针对传统方法在循环相位偏移下崩溃的痛点，通过在局部帧内处理水印，提升对失同步的抵抗能力。

可微分生理损失函数

最具特色的一点，是研究引入了由临床分类器引导的可微分生理损失（Physiological Loss）。这一损失项的作用，是在水印嵌入过程中显式地约束模型保留信号的诊断语义，而不是单纯追求信号层面的相似度。它把"能不能被正确诊断"纳入了优化目标，而非事后评估。

实验结果：鲁棒性达标，诊断影响喜忧参半

研究团队在业界标准的 MIT-BIH 数据库上进行了验证，结果呈现出两面性。

在鲁棒性方面表现亮眼：在所评估的循环时序偏移条件下，ECGWmark 的通道比特提取准确率保持在 90% 以上。这说明其帧级局部化机制在抵抗时序失同步方面确实有效，解决了传统数学水印最大的软肋。

但在跨患者（inter-patient）诊断评估这一更严苛的测试下，结果则是"混合效应"：

• Class-V 敏感度从 71.97% 提升到 76.50%（改善）
• Macro-F1 从 35.25% 轻微下降到 34.71%（基本持平略降）
• Class-S 敏感度从 8.89% 大幅下降到 1.39%（明显恶化）

研究者如实指出，这些数字表明水印嵌入对不同类别的诊断产生了不一致的影响。某些类别的识别能力得到增强，而另一些类别（尤其是 Class-S）的敏感度出现了显著下滑。这种类别级别的差异，是评价该方法临床实用性时不能回避的现实。

MIT-BIH心律失常数据库（MIT-BIH Arrhythmia Database）由麻省理工学院与波士顿贝思以色列医院联合构建，收录了48段30分钟双导联动态心电图，采样率360Hz，覆盖多种心律失常类型，是ECG算法研究的"黄金标准"基准。文中提到的跨患者（inter-patient）评估方案是指训练集与测试集来自不同患者，相较于同一患者的数据分割，该方案更能反映模型在真实临床部署中的泛化能力，也因此被视为更严苛的评价方式。Class-S对应室上性异位搏动（supraventricular ectopic beats），Class-V对应室性异位搏动（ventricular ectopic beats），两者在临床意义和样本分布上差异显著，Class-S在数据库中的样本数量相对更少，这也是其敏感度对扰动更为脆弱的原因之一。

价值与局限

ECGWmark 的意义在于，它第一次把"无量化深度水印"与"诊断语义保留"这两个目标结合在同一个框架中，并通过可微分生理损失给出了工程化的实现路径。90% 以上的抗失同步提取准确率，证明了这条技术路线在安全传输层面的可行性。

不过，跨患者诊断评估中 Class-S 敏感度的大幅下降提醒我们：水印嵌入对临床诊断的影响并非一致向好。在真正进入临床部署之前，如何保证水印过程不损害任何诊断类别的识别能力，仍是需要进一步攻克的问题。对于一项面向医疗场景的技术而言，这种对负面结果的坦诚披露，恰恰是其科学价值的体现。

总体来看，ECGWmark 为医疗时序信号的安全水印提供了一个有价值的新范式，但其临床落地还需要在类别均衡性上做更多工作。