面向有限硬件上实时心电图解读的高效神经网络架构
机器学习
2026-05-12 v1
摘要
心电图 (ECG) 解读对于诊断多种心脏异常至关重要。尽管深度学习在自动化心电图分类方面展现出巨大潜力，但许多现有模型依赖于庞大且计算密集的架构，阻碍了其实际部署。在本文中，我们对卷积神经网络 (CNN) 架构进行了实证研究，探讨了诊断准确性与计算效率之间的权衡。我们对两个已确立的基线进行了基准测试：AttiaNet，一个由顺序时间和空间块组成的紧凑模型；以及 DeepResidualCNN，2021 年 PhysioNet/Computing in Cardiology 挑战赛的获胜架构。在此基础上，我们提出了三个轻量级模型： ParallelCNN，采用双时间和空间分支进行并行模式提取； ParallelCNNew，具有对称权重初始化以实现平衡特征学习的变体；以及 SimpleNet，一个联合处理时间和空间维度的精简架构。我们的实验跨越了来自德国、中国和美国的三个公开 12 导联心电图数据集，涵盖了不同患者群体中的二分类、多分类和多标签分类任务。我们进一步评估了集成低成本人口统计元数据（年龄和性别）的影响，以最小的开销提高性能。为了确保公平比较，我们引入了一个统一的效率得分，整合了模型大小、推理速度、内存使用和 AUC 性能。通过平衡诊断性能和效率，我们的模型为下一代心血管护理 AI 系统提供了可扩展且可行的基础。
引用
@article{arxiv.2605.09848,
title = {Efficient Neural Architectures for Real-Time ECG Interpretation on Limited Hardware},
author = {Ashery Mbilinyi and Callum O'Riley and Julia Handra and Ashley Moller-Hansen and Jason Andrade and Marc Deyell and Cameron Hague and Nathaniel Hawkins and Kendall Ho and Jonathan Leipsic and Roger Tam},
journal= {arXiv preprint arXiv:2605.09848},
year = {2026}
}
备注
9 pages, 6 figures, 3 tables. Published in: 2025 IEEE International Conference on Big Data (BigData), pp. 3275-3284. DOI: 10.1109/BIGDATA66926.2025.11402097