AmpliNetECG12：轻量级SoftMax基Relativistic amplitude放大架构用于12导联心电图分类

及时检测12导联心电图中的心脏障碍的紧迫需求，源于心脏快速且复杂的电活动以及便携设备的受限计算能力。及时且精确的诊断至关重要，因为延误可能显著影响患者的健康结果。这项研究提出了一种新型深度学习架构，旨在快速准确地诊断心脏异常。我们设计了一种名为aSoftMax的新型激活函数，旨在提高心电图偏折的可见性。该 proposed 激活函数与卷积神经网络架构一起使用，包括在各种导联之间共享卷积核权重。这一创新方法全面地概括了全局12导联心电图特征，并通过减少可训练参数来降低模型复杂度。aSoftMax结合增强CNN架构获得AmpliNetECG12，我们以84%的准确率诊断心脏障碍。AmpliNetECG12在使用CPSC2018数据集进行心律失常分类时表现出卓越的预测能力。该模型获得80.71%的F1分数和96.00%的ROC-AUC分数，可训练参数为28万，这标志着AmpliNetECG12轻量且高效的特性。aSoftMax的随机特性——AmpliNetECG12的基本要素——提高了预测准确性，也增强了模型的可解释性。该特性增强了对不同类型心律失常中重要心电图段的理解，为心脏障碍分类建立了新的可解释架构标准。