通道强加融合:一种简单有效的医疗时间序列分类方法
机器学习
2025-09-22 v2
摘要
医疗时间序列信号(如脑电图(EEG)和心电图(ECG))的自动分类在临床决策支持和疾病早期检测中发挥着关键作用。尽管基于 Transformer 的模型通过自注意力机制隐式建模时间依赖性,取得了显著的性能,但其固有的复杂架构和不透明的推理过程损害了其在高风险临床环境中的可信度。针对这些局限性,本研究将焦点转向强调结构透明度的建模范式,使其更贴合医疗数据的内在特征。我们提出了一种新方法——通道强加融合(CIF),该方法通过跨通道信息融合提高信噪比,有效降低冗余并提升分类性能。此外,我们将 CIF 与以结构简单和可控感受野著称的时间卷积网络(TCN)相结合,构建了一个高效且显式的分类框架。在多个公开可用的 EEG 和 ECG 数据集上的实验结果表明,所提方法不仅在各项分类指标上优于现有的最先进(SOTA)方法,还显著增强了分类过程的透明度,为医疗时间序列分类提供了新的视角。
引用
@article{arxiv.2506.00337,
title = {Channel-Imposed Fusion: A Simple yet Effective Method for Medical Time Series Classification},
author = {Ming Hu and Jianfu Yin and Mingyu Dou and Yuqi Wang and Ruochen Dang and Siyi Liang and Feiyu Zhu and Cong Hu and Yao Wang and Bingliang Hu and Quan Wang},
journal= {arXiv preprint arXiv:2506.00337},
year = {2025}
}