基于注意力增强的 VAE-BiLSTM 框架用于 12 导联心电图信号异常检测
机器学习
2025-10-08 v1 人工智能
摘要
12 导联电生理图（ECGs）的异常检测对于识别与心血管疾病相关的偏离至关重要。本文提出了一种用于 ECG 异常检测的三种自编码器架构的比较分析：卷积自编码器（CAE）、带双向长短期记忆网络的变分自编码器（VAE-BiLSTM）以及带多头注意力机制的 VAE-BiLSTM（VAE-BiLSTM-MHA）。本研究是首次将 VAE-BiLSTM-MHA 架构应用于 ECG 异常检测。所有模型均在正常 ECG 样本上训练，以重建非异常心脏形态并检测表明疾病的偏离。使用统一的预处理和评估管道在公开的中国生理信号挑战赛（CPSC）数据集上，注意力增强的 VAE 在 held-out 测试集上实现了 AUPRC 为 0.81 和召回率为 0.85 的最佳性能，优于其他架构。为支持临床分流，该模型进一步集成到一个可视化异常定位的交互式仪表板中。此外，还提供了与文献中基线模型的性能比较。
关键词
引用
@article{arxiv.2510.05919,
title = {An Attention-Augmented VAE-BiLSTM Framework for Anomaly Detection in 12-Lead ECG Signals},
author = {Marc Garreta Basora and Mehmet Oguz Mulayim},
journal= {arXiv preprint arXiv:2510.05919},
year = {2025}
}
备注
14 pages, 11 figures