NeuroHD-RA：具有节律对齐的神经蒸馏超维模型
信号处理
2025-07-24 v3 人工智能
机器学习
摘要
我们提出了一种新颖且可解释的基于心电图（ECG）的疾病检测框架，该框架结合了超维计算（HDC）与可学习的神经编码。与依赖静态随机投影的传统HDC方法不同，我们的方法引入了一种基于RR间期的节律感知且可训练的编码流水线，这是一种与心动周期对齐的生理信号分割策略。我们设计的核心是一个神经蒸馏的HDC架构，具有可学习的RR块编码器和BinaryLinear超维投影层，通过交叉熵和基于代理的度量损失联合优化。这种混合框架保留了HDC的符号可解释性，同时实现了任务自适应表示学习。在Apnea-ECG和PTB-XL上的实验表明，我们的模型显著优于传统HDC和经典机器学习基线，在Apnea-ECG上达到了73.09%的精确度和0.626的F1分数，在PTB-XL上具有相当的鲁棒性。我们的框架为边缘兼容的ECG分类提供了一种高效且可扩展的解决方案，在可解释和个性化健康监测方面具有巨大潜力。
引用
@article{arxiv.2507.14184,
title = {NeuroHD-RA: Neural-distilled Hyperdimensional Model with Rhythm Alignment},
author = {ZhengXiao He and Jinghao Wen and Huayu Li and Siyuan Tian and Ao Li},
journal= {arXiv preprint arXiv:2507.14184},
year = {2025}
}