基于KAN与xLSTM的心电信号特征提取与智能诊断新方法

《Biosensors and Bioelectronics》：Feature extraction and intelligent diagnosis of ECG signals based on KANs and xLSTM

本文创新性地将Kolmogorov-Arnold网络（KAN）和新型长短期记忆网络（xLSTM）应用于心电信号（ECG）心律失常分类，通过可学习的样条函数和指数门控机制显著提升特征提取能力。研究采用焦点损失函数解决样本不平衡问题，在MIT-BIH和INCART数据库上分别达到97.15%和96.78%的准确率，为心血管疾病（CVD）智能诊断提供了高精度、低复杂度的解决方案。

　　

Highlight

本研究基于Kolmogorov-Arnold网络（KANs）和xLSTM构建了两种深度学习架构，用于心电信号（ECG）心律失常分类。KANs通过可学习的样条函数替代传统权重参数，显著降低计算复杂度；xLSTM则引入指数门控机制和改良记忆结构，提升长序列处理能力。实验采用焦点损失函数解决样本不平衡问题，在MIT-BIH数据库的109,262个心搏样本五分类任务中表现优异，xLSTM相较现有主流方法准确率提升约0.41%。

ECG信号与特性

心电信号（ECG）完整记录了心脏传导系统中兴奋的产生、传输与恢复过程，反映了心脏电活动的特征。当前ECG信号通常通过体表电极采集并转化为电学数据，心律失常会直接体现在信号波形上。由于ECG信号具有周期性，单次心搏周期包含P波、QRS波群和T波等典型特征，这些波形的形态、时长和节律是诊断心律失常的关键依据。

我们的架构

考虑到KANs相比传统多层感知机（MLP）具有变革性的创新优势和低复杂度特性，以及xLSTM对长时间序列数据更强的处理能力，我们构建了两种架构在MIT-BIH数据库上进行实验。对于KANs，输入层神经元数量与输入维度相关，通过优化网络结构实现了更高精度的特征提取；xLSTM则通过sLSTM和mLSTM两种变体实现了完全并行化计算，显著提升了训练效率。

实验环境

实验在Anaconda3（Python 3.12）环境中进行，主要使用PyTorch 2.5.1、Pandas 2.2.2、Scikit-learn 1.5.1等库。硬件配置包括英特尔酷睿i5-12500H处理器（4.50 GHz）和16GB内存，同时采用阿里云服务器（8核vCPU/32GB RAM/NVIDIA A10）加速训练过程。

结论

本研究提出的KANs和xLSTM架构在MIT-BIH和INCART数据库上的实验表明，两种模型在分类准确率、稳定性和样本不平衡处理方面均显著优于对比方法。KANs以更低计算复杂度实现高精度分类，xLSTM在长序列特征提取方面展现突出优势，为心血管疾病智能诊断提供了新的技术路径。