基于可解释混合深度学习模型的心电图分类研究：面向心脏疾病诊断的突破性进展

《Biomedical Signal Processing and Control》：An explainable hybrid deep learning model for ECG classification of cardiac conditions

本文提出了一种创新的可解释混合深度学习框架，通过结合自编码器（Autoencoder）降维、长短期记忆网络（LSTM）与卷积神经网络（CNN）特征提取，以及多头注意力机制（Multi-head Attention），实现了心电图（ECG）信号的高精度分类。该模型在MIT-BIH和PTBDB数据集上F1分数均达0.99，并引入可解释人工智能（XAI）技术，通过注意力权重可视化关键信号片段，为临床决策提供透明化支持。

　　

Highlight

降维技术

降维技术对于处理高维心电图（ECG）数据至关重要，它能够促进数据清洗，并通过减少异常值和噪声的影响来实现预测模型的高效训练。传统的线性方法，如主成分分析（PCA）和奇异值分解（SVD），因其数学简洁性和计算效率而被广泛使用。非线性技术，包括ISOMAP、局部线性嵌入（LLE）等，也为数据降维提供了更多可能性。

数据集

MIT-BIH心律失常数据库被广泛用于心脏病研究和自动化决策方法的开发。本研究中使用的预处理数据集来自Kaggle平台¹，包含188列：其中187列代表每跳心拍的ECG信号值，1列为类别标签。对于MIT-BIH数据集，本研究聚焦于五类心脏疾病的分类任务。

结果

根据实验设计（第3.3节），降维阶段（通过自编码器实现）在两种训练策略（即直接训练和基于交叉验证的训练）中均先于分类阶段进行。因此，将首先展示和讨论降维的结果，随后分析两种训练策略下的分类性能，最后呈现可解释性分析的结果。

结论

本研究提出并验证了一种新颖的心电图数据分类与可解释性分析流程，解决了该领域的关键挑战。该流程将自编码器用于降维和特征选择，与基于多头注意力的网络结合用于ECG分类，取得了卓越的性能。通过基于注意力的可视化技术实现可解释性，为模型的决策过程提供了透明化的见解，增强了其临床适用性。