HRVConformer: 基于心率信号的新生儿缺氧缺血性脑灰质灾损分类
机器学习
2026-05-27 v1 人工智能
信号处理
摘要
本文提出了 HRVConformer，这是一种新型深度学习架构，用于对缺氧缺血性脑灰质灾损（HIE）进行分类。不同于依赖手工特征的常规方法，HRVConformer 直接以端到端方式处理原始心率（HR）信号，通过融合卷积和 Transformer 框架捕获局部和长程依赖。通过集成用于局部特征提取的卷积层和用于全局上下文建模的 Transformer 注意力机制，该架构有效提升了信号表征和分类性能。该模型基于包含 1,573 个一个小时时段的大型 HR 数据集进行监督学习，其中包括 259 个一个小时专家标注时段和大量弱标签数据。314 小时的验证集提供了稳健的性能估计，而独立的 215 小时数据集保留用于最终测试。HR 信号通过改进的 Pan-Tompkins 算法从心电图（ECG）记录中提取，该算法显著提升了信号质量和数据可用性。实验结果表明，HRVConformer 在测试集上实现了 83.23% 的 AUC 和 74.56% 的准确率。这些结果超越了 Transformer、ResNet50 和全卷积网络基线的表现，突显了将卷积和 Transformer 组件集成用于 HR 信号基于 HIE 分类的优势。该方法为使用 HR 信号更准确、自动化地评估 HIE 提供了有前景的步骤。代码已公开于：https://github.com/syu-kylin/HRVConformer。
引用
@article{arxiv.2605.26190,
title = {HRVConformer: Neonatal Hypoxic-Ischemic Encephalopathy Classification from the Heart Rate signals},
author = {Shuwen Yu and William P Marnane and Geraldine B. Boylan and Gordon Lightbody},
journal= {arXiv preprint arXiv:2605.26190},
year = {2026}
}
备注
Paper submitted to Journal of Engineering Applications of Artifical Intelligence