可解释的多类与多类别心律失常分类时间融合网络 - AI与医疗健康

可解释的多类与多类别心律失常分类时间融合网络[2511.15062] Interpretable temporal fusion network of multi- and multi-class arrhythmia classification

环球医讯 / AI与医疗健康来源：arxiv.org韩国 - 英语2026-01-09 15:32:32 - 阅读时长2分钟 - 610字

韩国高丽大学研究人员开发出一种创新的可解释时间融合网络框架，用于多类心律失常的精准检测与分类。该框架结合局部和全局特征提取及注意力机制，在MIT-BIH心律失常数据库和心房颤动数据库上实现了卓越性能，持续时间、发作事件和Dice分数F1值分别达到96.45%-97.57%、82.05%-98.31%和96.31%-97.45%，显著优于现有模型。此技术能精确识别心律失常的起始与结束时间点，大幅降低信息损失，使临床医生能够基于准确的时间定位制定更有效的治疗方案，为心脏病学领域的智能化决策支持系统发展提供了重要突破，有望显著提高心律失常诊断的准确性和临床应用价值。

临床决策支持系统(CDSSs)已被广泛用于辅助心脏病专家从心电图中检测和分类心律失常时的决策过程。然而，由于心律失常持续时间各不相同，构建适用于心律失常分类任务的CDSS面临挑战。尽管心律失常的发作时间存在差异，但先前开发的方法并未充分考虑这些条件。因此，我们提出了一种包含(i)局部和全局特征提取以及(ii)带有注意力机制的局部-全局信息融合的框架，以便在有限的输入长度内实现心律失常的检测和分类。

该框架的性能通过10类和4类心律失常检测进行了评估，重点是使用MIT-BIH心律失常数据库(MITDB)和MIT-BIH心房颤动数据库(AFDB)来识别心律失常发作的起始点、结束点及其持续时间。在MITDB上，持续时间、发作事件和Dice分数性能的总体F1分数分别达到96.45%、82.05%和96.31%；在AFDB上则分别达到97.57%、98.31%和97.45%。结果表明，与基准模型相比，本方法在统计学上表现出显著更优的性能。

为评估所提方法的泛化能力，分别使用MITDB训练的模型测试AFDB，以及使用MIT-BIH恶性室性心律失常数据库训练的模型测试MITDB。与最先进的模型相比，本方法获得了更优越的性能。该方法能有效捕捉局部和全局信息及动态变化，而不会造成显著的信息损失。因此，心律失常可以被更准确地检测到，其发生时间也能被精确定位，使临床领域能够基于此方法制定更为精确的治疗计划。

【全文结束】