基于不确定性感知的卷积变换器心电图网络用于心律失常检测
机器学习
2026-02-19 v1 人工智能
摘要
深度学习已提高了自动化心电图(ECG)分类的性能, 但对预测可靠性的有限洞察力阻碍了其在安全关键场景中的应用。本文提出了UCTECG-Net, 一种结合一维卷积和变换器编码器的不确定性感知混合架构, 用于处理原始ECG信号及其频谱图。经评估后, UCTECG-Net在准确率、精确率、召回率和F1分数方面均优于LSTM、CNN1D和变换器基线, 在MIT-BIH数据集上达到最高98.58%的准确率, 在PTB数据集上达到99.14%。为评估预测可靠性, 我们将三种不确定性量化方法(蒙特卡罗 dropout、深度集成和集成蒙特卡罗 dropout)集成到所有模型中, 并通过不确定性感知混淆矩阵和推导出的指标进行分析。结果表明, UCTECG-Net, 特别是采用集成或EMCD方法, 比竞争架构提供更可靠且更准确的不确定性估计, 为风险感知的ECG决策支持提供了更坚实的基础。
引用
@article{arxiv.2602.16216,
title = {UCTECG-Net: Uncertainty-aware Convolution Transformer ECG Network for Arrhythmia Detection},
author = {Hamzeh Asgharnezhad and Pegah Tabarisaadi and Abbas Khosravi and Roohallah Alizadehsani and U. Rajendra Acharya},
journal= {arXiv preprint arXiv:2602.16216},
year = {2026}
}