Cardioformer：通过多粒度分块和 ResNet 推进 ECG 分析中的 AI
机器学习
2025-05-12 v1 人工智能
信号处理
摘要
电生理图（ECG）分类是自动化心脏疾病诊断的关键任务，但现有方法往往难以同时捕获局部形态细节和长程时间依赖性。为此，我们提出了 Cardioformer，一种新型多粒度混合模型，集成了跨通道分块、层次残差学习和两阶段自注意力机制。Cardioformer 首先对多尺度 token 嵌入进行编码，以捕获细粒度的局部特征和全局上下文信息，然后通过 intra-和 inter-granularity 自注意力选择性地融合这些表示。在三个基准 ECG 数据集上进行的广泛评估显示，该模型在 subject-independent 设置下持续优于四个最先进的基线方法。我们的 Cardioformer 模型在 MIMIC-IV、PTB-XL 和 PTB 数据集上分别实现了 96.34±0.11、89.99±0.12 和 95.59±1.66 的 AUROC，超越 PatchTST、Reformer、Transformer 和 Medformer 模型。它还显示出强大的跨数据集泛化能力，在 PTB 数据集上训练后在 PTB-XL 上实现 49.18% AUROC，在 PTB 上实现 68.41%。这些发现凸显了 Cardioformer 推进自动化 ECG 分析的潜力，为更准确和稳健的心血管疾病诊断铺平了道路。我们在 https://github.com/KMobin555/Cardioformer 上发布了源代码。
关键词
引用
@article{arxiv.2505.05538,
title = {Cardioformer: Advancing AI in ECG Analysis with Multi-Granularity Patching and ResNet},
author = {Md Kamrujjaman Mobin and Md Saiful Islam and Sadik Al Barid and Md Masum},
journal= {arXiv preprint arXiv:2505.05538},
year = {2025}
}