基于 LGNs 与 LUTNs 的跨患者心电图心律失常分类
机器学习
2026-01-19 v1
摘要
深度可微分逻辑门网络和查找表网络被证明适用于跨患者范式下的心电图自动分类。该方法在 MIT-BIH 心律失常数据集上进行了基准测试，在四类分类问题中达到了 94.28% 的准确率和 0.683 的 指数。我们的模型使用了 2.89k 到 6.17k 次浮点运算，包括预处理和读出，这比 SOTA 方法少了三到六个数量级。我们采用了一种新颖的预处理方法，在混合患者和跨患者两种范式下均取得了优于现有方法的性能。此外，我们设计了一种训练 LUTNs 中查找表的新方法，该方法使用了多路复用器的布尔方程。另外，频率编码首次被应用于这些 LGNs 和 LUTNs 中，提升了 LGNs 的性能。此外，这是首次在 MIT-BIH 心律失常数据集上使用跨患者范式对 LGNs 和 LUTNs 进行基准测试。使用 Artix 7 FPGA，运行这些模型需要 2000 到 2990 个 LUT，预计功耗在 5 到 7 mW 之间（即每次推理 50 pJ 到 70 pJ）。在准确率和 指数方面的性能均显著高于之前的 LGN 结果。这些积极的结果表明，人们可以利用 LGNs 和 LUTNs 在心脏植入物或可穿戴设备中以极低的功耗和极高的速度检测心律失常，甚至适用于未包含在训练集中的患者。
引用
@article{arxiv.2601.11433,
title = {Inter-patient ECG Arrhythmia Classification with LGNs and LUTNs},
author = {Wout Mommen and Lars Keuninckx and Paul Detterer and Achiel Colpaert and Piet Wambacq},
journal= {arXiv preprint arXiv:2601.11433},
year = {2026}
}