多类心律失常可解释时序融合网络
机器学习
2025-11-20 v1
摘要
临床决策支持系统 (CDSS) 已被广泛用于支持心脏科医生在检测和分类心律失常时所作出的决定。然而，由于心律失常的长度各不相同，构建心律失常分类任务的 CDSS 具有挑战性。尽管心律失常的发作时间各不相同，但以往的方法尚未考虑这一情况。因此，我们提出了一个框架，包括 (i) 局部和全局特征提取，以及 (ii) 基于注意力机制的局部-全局信息融合，以实现受限输入长度内的心律失常检测和分类。该框架的性能以 10 类别和 4 类别心律失常检测为目标，重点识别心律失常事件的发生和结束点以及其持续时间，分别使用 MIT-BIH 心律失常数据库 (MITDB) 和 MIT-BIH 心房颤动数据库 (AFDB)。在 MITDB 上，持续时间、事件和 Dice 评分性能分别达到 96.45%、82.05% 和 96.31%；在 AFDB 上，分别达到 97.57%、98.31% 和 97.45%。结果表明该方法在统计意义上优于基准模型。为了评估所提方法的泛化能力，我们将在 MITDB 上训练的模型和在 MIT-BIH 恶性心房颤动数据库上训练的模型分别测试于 AFDB 和 MITDB。与最新模型相比，取得了优异的性能。该方法有效捕获了局部和全局信息及动态，信息损失不大。因此，可以更准确地检测心律失常，其发生时间也能被精确定位，从而使临床领域能够基于所提方法制定更精确的治疗方案。
引用
@article{arxiv.2511.15062,
title = {Interpretable temporal fusion network of multi- and multi-class arrhythmia classification},
author = {Yun Kwan Kim},
journal= {arXiv preprint arXiv:2511.15062},
year = {2025}
}
备注
[Doctoral dissertation, Korea University, 2025]