基于潜变量 ODE 的 ECG 心律失常类型分类新方法
机器学习
2025-11-24 v1 定量方法
摘要
12导联 ECG 高采样频率是心律失常检测的临床金标准，但其短期、点检性质往往无法捕捉间歇性事件。可穿戴式 ECG 能够实现长期监测，但因电池限制 suffer from irregular、低采样频率，使得形态学分析具有挑战。我们提出了一条端到端的分类管线以解决此问题。我们训练潜变量 ODE 模型来模拟连续 ECG 波形，并从高频单导联信号中创建稳健的特征向量。我们通过将初始 360 Hz ECG 降采样至 90 Hz 和 45 Hz，构造三个潜变量。随后使用梯度提升树进行分类，并测试在不同采样频率下的鲁棒性。结果显示性能几乎不变，分别在 360 Hz、90 Hz 和 45 Hz 时的宏平均 AUC-ROC 值为 0.984、0.978 和 0.976，表明可规避信号保真度与电池寿命之间的权衡。这使得更小型可穿戴设备成为可能，促进心脏健康的长期监测。
引用
@article{arxiv.2511.16933,
title = {A novel approach to classification of ECG arrhythmia types with latent ODEs},
author = {Angelina Yan and Matt L. Sampson and Peter Melchior},
journal= {arXiv preprint arXiv:2511.16933},
year = {2025}
}
备注
Accepted into NeurIPS 2025 Learning from Time Series for Health workshop