基于平均窗口嵌入的CNN局部-全局自注意力用于层次化ECG分析
信号处理
2025-04-24 v1 人工智能
机器学习
摘要
心血管疾病仍是全球死亡的主要原因，凸显了如电生理图谱（ECGs）等高效诊断工具的关键需求。最近的深度学习技术，特别是变压器，已通过捕获详细的波形特征以及全局节律模式来革新ECG分析。然而，传统变压器难以有效捕获对准确ECG解释至关重要的局部形态特征。我们提出一种新型局部-全局注意力ECG模型（LGA-ECG），以解决这一局限性，将卷积归纳偏置与全局自注意力机制相结合。我们的方法通过对重叠卷积窗口获取的嵌入进行平均，提取查询，从而实现细粒度的形态学分析，同时通过对整个序列的键和值进行注意力建模来捕获全局上下文。在CODE-15数据集上的实验表明，LGA-ECG优于最先进的模型，消融研究验证了局部-全局注意力策略的有效性。通过捕获ECG信号中的层次化时序依赖性和形态学模式，该新设计展示了在临床部署方面的潜力，具有稳健的自动ECG分类能力。
引用
@article{arxiv.2504.16097,
title = {A CNN-based Local-Global Self-Attention via Averaged Window Embeddings for Hierarchical ECG Analysis},
author = {Arthur Buzelin and Pedro Robles Dutenhefner and Turi Rezende and Luisa G. Porfirio and Pedro Bento and Yan Aquino and Jose Fernandes and Caio Santana and Gabriela Miana and Gisele L. Pappa and Antonio Ribeiro and Wagner Meira},
journal= {arXiv preprint arXiv:2504.16097},
year = {2025}
}