xLSTM-ECG：基于xLSTM的多标签ECG分类通过特征融合
信号处理
2025-04-24 v1 人工智能
机器学习
摘要
心血管疾病（CVDs）仍是全球死亡的主要原因，凸显了高效且准确的诊断工具的关键需求。电生理图谱（ECGs）是诊断各种心脏疾病不可或缺的工具，但其手动解读耗时且容易出错。本文提出xLSTM-ECG，一种新方法，利用扩展型短期记忆网络（xLSTM）对ECG信号进行多标签分类，使用PTB-XL数据集。迄今为止，据我们所知，这是首个为多标签ECG分类设计和应用xLSTM模块的工作。该方法采用短时傅里叶变换（STFT）将时序ECG波形转换为频域，从而增强特征提取。xLSTM架构专为处理12导联ECG记录的复杂性而设计，捕获局部和全局信号特征。PTB-XL数据集上的全面实验表明，模型实现了强劲的多标签分类性能，在乔治亚12导联数据集上的额外测试凸显了其鲁健性和效率。这一方法显著提高了ECG分类准确率，推动了临床诊断和患者护理。代码将在接受后公开。
引用
@article{arxiv.2504.16101,
title = {xLSTM-ECG: Multi-label ECG Classification via Feature Fusion with xLSTM},
author = {Lei Kang and Xuanshuo Fu and Javier Vazquez-Corral and Ernest Valveny and Dimosthenis Karatzas},
journal= {arXiv preprint arXiv:2504.16101},
year = {2025}
}