基于轻量级时序卷积与选择性状态空间架构的心房颤动预测
机器学习
2025-08-28 v1 人工智能
摘要
心房颤动（AF）是最常见的心律失常，会增加卒中、心力衰竭及其他心血管并发症的风险。虽然房颤检测算法在识别持续性 AF 方面表现良好，但早期进展阶段，如阵发性 AF（PAF），因其突发性和持续时间短而常被漏检。然而，未被发现的 PAF 可能进展为持续性 AF，增加死亡和严重并发症的风险。AF 的早期预测为通过预防性治疗（如儿茶酚胺节约剂或 β 受体阻滞剂）减缓疾病进展提供了机会。在本研究中，我们提出了一种仅使用 RR 间期（RRIs）的轻量级深度学习模型，将用于位置编码的时序卷积网络（TCN）与选择性状态空间模型 Mamba 相结合，通过高效的并行序列建模实现 AF 的早期预测。在按受试者划分的测试结果中，我们的模型达到了 0.908 的灵敏度、0.933 的特异度、0.930 的 F1 分数、0.972 的 AUROC 和 0.932 的 AUPRC。此外，我们的方法展示了高计算效率，仅含 73.5 千个参数和 38.3 MFLOPs，在准确性和模型紧凑性方面均优于传统的卷积神经网络-循环神经网络（CNN-RNN）方法。值得注意的是，该模型仅需 30 分钟的输入数据即可提前两小时预测 AF，为预防性干预提供了足够的准备时间。
引用
@article{arxiv.2508.19361,
title = {Atrial Fibrillation Prediction Using a Lightweight Temporal Convolutional and Selective State Space Architecture},
author = {Yongbin Lee and Ki H. Chon},
journal= {arXiv preprint arXiv:2508.19361},
year = {2025}
}
备注
4 pages, 2 figures, 4 table, IEEE-EMBS International Conference on Body Sensor Networks (IEEE-EMBS BSN 2025)