AICRN：用于可解释心电图分析的注意力集成卷积残差网络
机器学习
2025-08-19 v1 人工智能
摘要
在人工智能（AI）和机器学习（ML）的推动下，心电图（ECG）分析范式已演变为实时数字分析，这提高了心脏疾病的诊断精度和预测能力。本工作提出了一种新颖的深度学习（DL）架构，称为注意力集成卷积残差网络（AICRN），用于回归关键的 ECG 参数，如 PR 间期、QT 间期、QRS 时限、心率、R 波峰值振幅和 T 波振幅，以实现可解释的 ECG 分析。我们的架构专门设计了空间和通道注意力相关机制，以解决用于回归的 ECG 特征的类型和空间位置问题。该模型采用卷积残差网络来解决梯度消失和梯度爆炸问题。所设计的系统解决了传统分析中的挑战，例如因人为错误导致的注意力丧失，并有助于快速、轻松地检测心脏事件，从而减少了解决分析任务所需的人工工作量。AICRN 模型在参数回归方面以更高的精度优于现有模型。这项工作表明，深度学习可以在 ECG 分析的可解释性和精度方面发挥关键作用，为心脏监测和管理开辟了新的临床应用。
引用
@article{arxiv.2508.12162,
title = {AICRN: Attention-Integrated Convolutional Residual Network for Interpretable Electrocardiogram Analysis},
author = {J. M. I. H. Jayakody and A. M. H. H. Alahakoon and C. R. M. Perera and R. M. L. C. Srimal and Roshan Ragel and Vajira Thambawita and Isuru Nawinne},
journal= {arXiv preprint arXiv:2508.12162},
year = {2025}
}