基于混合 Transformer 的域自适应可穿戴心电信号阵图分类
信号处理
2026-05-12 v1 机器学习
摘要
心血管疾病仍是全球死亡的主要原因，凸显了通过可穿戴设备实现有效、可接入监控的必要性，这些设备可在家庭环境中实现对心律的连续、实时跟踪。然而，将在临床心电图（ECG）数据集上训练的深度学习模型部署到可穿戴设备上仍具有挑战，因为录制设备、信号质量和患者人群的差异会引入域迁移，导致模型性能下降。我们提出了一种混合 transformer 模型，该模型同时处理连续 ECG 信号和七个心率变异性（HRV）特征，其中原始信号路径捕获心拍级别的形态学模式，HRV 路径编码节律规则性统计信息，使模型能够联合利用两种表征的互补信息。为增强模型在跨域场景中的泛化能力，我们采用表示学习技术，包括最大均值差异（MMD），这是一种衡量不同域特征分布之间距离的非参数核方法，用于在源域和目标域之间对齐特征分布，解决公开数据集和可穿戴设备数据之间存在域迁移的挑战。通过利用五个公开 ECG 数据集进行训练，该模型学习到健壮、通用的表征，有效缓解了域特定偏差。在测试不可见域的可穿戴设备数据时，模型实现了 F1-macro 为 95%，平衡准确率为 96.15%。这些结果显示了仅有 2% 的 F1-macro 下降，凸显了模型的泛化能力及其在家庭和康复监护场景中可靠的实时心脏监测潜力。
引用
@article{arxiv.2605.08199,
title = {Domain-Adaptive Arrhythmia Classification Using a Hybrid Transformer on Wearable Heart Signals},
author = {Maedeh H. Toosi and Siamak Mohammadi},
journal= {arXiv preprint arXiv:2605.08199},
year = {2026}
}