多少时序建模才算足够？面向多标签心电图分类的混合 CNN-RNN 架构系统研究
机器学习
2026-01-28 v1 信号处理
摘要
由于多种心脏病情共存、显著的类别不平衡以及多导联记录中的长程时间依赖性，心电图（ECG）信号的多标签精准分类仍具挑战性。尽管近期研究越来越依赖深层且堆叠的循环架构，但此类架构复杂性的必要性及其临床合理性尚未得到严格检验。本文在包含23个诊断类别的 PTB-XL 数据集上，对卷积神经网络（CNN）与多种循环配置的组合进行系统性比较评估，包括 LSTM、GRU、双向 LSTM（BiLSTM）及其堆叠变体，用于多标签 ECG 分类。CNN 组件作为形态驱动的基线，而循环层被逐步整合以评估其对时序建模和泛化性能的贡献。实验结果表明，集成单个 BiLSTM 层的 CNN 在预测性能与模型复杂度之间实现了最佳权衡。与更深的循环组合相比，该配置获得了更优的 Hamming loss（0.0338）、macro-AUPRC（0.4715）、micro-F1 score（0.6979）和子集准确率（0.5723）。尽管堆叠循环模型偶尔能提升特定罕见类别的召回率，但我们的结果提供了经验证据，表明增加循环深度会导致收益递减，并可能因精度下降和过拟合而损害泛化能力。这些发现表明，与 ECG 信号固有时序结构相契合的架构设计，而非单纯增加循环深度，是实现稳健性能和临床相关部署的关键决定因素。
引用
@article{arxiv.2601.18830,
title = {How Much Temporal Modeling is Enough? A Systematic Study of Hybrid CNN-RNN Architectures for Multi-Label ECG Classification},
author = {Alireza Jafari and Fatemeh Jafari},
journal= {arXiv preprint arXiv:2601.18830},
year = {2026}
}
备注
17 pages, 10 figures