MSW-Transformer：用于 12 导联心电图分类的多尺度偏移窗口 Transformer 网络
信号处理
2023-06-22 v1 机器学习
摘要
心电图(ECG)信号的自动分类在心血管疾病的早期预防和诊断中起着关键作用。尽管 ECG 信号可用于多种疾病的诊断，但其病理特征差异微小，给自动分类模型带来挑战。现有方法主要利用卷积神经网络提取 ECG 信号特征进行分类，可能未能充分捕捉不同疾病的病理特征差异。Transformer 网络在序列数据特征提取方面具有优势，但完整网络复杂且依赖大规模数据集。为应对这些挑战，我们提出了一种称为多尺度偏移窗口 Transformer 网络(MSW-Transformer)的单层 Transformer 网络，其在不同尺度上使用多窗口滑动注意力机制以捕捉不同维度的特征。自注意力通过偏移窗口被限制在非重叠局部窗口内，且不同窗口尺度具有不同的感受野。随后提出一种可学习特征融合方法以整合来自不同窗口的特征，进一步提升模型性能。此外，我们将多窗口偏移机制的注意力机制可视化，以在 ECG 分类任务中实现更好的临床解释性。所提模型在 PTBXL-2020 12 导联 ECG 数据集的五个分类任务上取得了最先进的性能，该数据集包含 5 个诊断 superclass、23 个诊断 subclass、12 个节律类、17 个形态类和 44 个诊断类，其平均 macro-F1 分数分别为 77.85%、47.57%、66.13%、34.60% 和 34.29%，平均 sample-F1 分数分别为 81.26%、68.27%、91.32%、50.07% 和 63.19%。
引用
@article{arxiv.2306.12098,
title = {MSW-Transformer: Multi-Scale Shifted Windows Transformer Networks for 12-Lead ECG Classification},
author = {Renjie Cheng and Zhemin Zhuang and Shuxin Zhuang and Lei Xie and Jingfeng Guo},
journal= {arXiv preprint arXiv:2306.12098},
year = {2023}
}