ECG-RAMBA：通过形态-节律解耦和长程建模实现 ECG 零样本泛化
机器学习
2025-12-30 v1 人工智能
摘要
深度学习在单个数据集内实现了强大的心电图 (ECG) 分类性能，但可靠的跨异构获取设置的泛化仍是临床部署和纵向监测的主要障碍。许多模型架构的一个关键局限是潜在地将形态波形模式和节律动力学 entangled，从而可能促进捷径学习并放大对分布迁移的敏感性。我们提出了 ECG-RAMBA 框架，通过形态-节律解耦然后通过情境感知融合重新整合两者。ECG-RAMBA 结合了：(i) 通过 MiniRocket 提取的确定性形态特征，(ii) 从心率变异性 (HRV) 计算的全局节律描述符，以及 (iii) 通过双向 Mamba 主干网络实现的长程情境建模。为提高窗口推理下对暂时性异常的敏感性，我们引入了数值稳定的 Power Mean 汇聚算子 ()，以强调高证据片段，同时避免最大池化的脆弱性和平均池化的稀释。我们在严格遵循协议的设置下进行评估，包括主题级交叉验证、固定决策阈值和无测试时自适应。在 Chapman--Shaoxing 数据集上，ECG-RAMBA 实现了约 0.85 的宏观 ROC-AUC。在零样本迁移中，它在外部 CPSC-2021 数据集上实现了 PR-AUC 的房颤检测，显著优于相当于的原始信号 Mamba 基线，并且在 PTB-XL 上显示出一致的跨数据集性能。消融研究表明，确定性形态提供了强大的基础，而显式的节律建模和长程情境是跨域鲁棒性的关键驱动力。
关键词
引用
@article{arxiv.2512.23347,
title = {ECG-RAMBA: Zero-Shot ECG Generalization by Morphology-Rhythm Disentanglement and Long-Range Modeling},
author = {Hai Duong Nguyen and Xuan-The Tran},
journal= {arXiv preprint arXiv:2512.23347},
year = {2025}
}