CardioPatternFormer：基于模式引导注意力与 Transformer 架构的可解释心电图分类
信号处理
2025-06-09 v1 人工智能
机器学习
摘要
准确的心电图（ECG）解读至关重要，然而复杂的心脏数据和“黑盒”AI 模型限制了其临床实用性。受 Transformer 架构在 NLP 中理解序列数据成功的启发，我们将 ECG 视为心脏独特的时间模式“语言”。我们提出了 CardioPatternFormer，一种用于可解释 ECG 分类的新型基于 Transformer 的模型。它采用复杂的注意力机制来精确识别和分类多样的心脏模式，擅长辨别细微异常并区分多种同时发生的疾病。这种模式引导的注意力通过突出显示有影响力的信号区域提供了清晰的洞察，有效地让“心脏说话”并给出透明的解释。CardioPatternFormer 在具有挑战性的 ECG 上表现出鲁棒的性能，包括复杂的多病理病例。其通过注意力图实现的可解释性使临床医生能够理解模型的决策依据，从而培养信任并辅助知情的诊断决策。这项工作为高级 ECG 分析提供了一个强大且透明的解决方案，为心脏病学中更可靠且具有临床可操作性的 AI 铺平了道路。
关键词
引用
@article{arxiv.2505.20481,
title = {CardioPatternFormer: Pattern-Guided Attention for Interpretable ECG Classification with Transformer Architecture},
author = {Berat Kutay Uğraş and Ömer Nezih Gerek and İbrahim Talha Saygı},
journal= {arXiv preprint arXiv:2505.20481},
year = {2025}
}