《Bioengineering》：Hybrid Parallel Twin-Tower Model Advances Arrhythmia Detection in ECG Signals: Integrating Convolutional Neural Networks and Kolmogorov–Arnold Networks
编辑推荐：
背景：心电图（ECG）信号分类在心律失常的早期诊断和预防中具有关键作用。然而，ECG信号的多样性、数据不平衡以及传统模型在泛化方面的局限性，对分类准确性构成显著挑战。因此，亟需一种有效算法来解决这些问题。目的：本研究提出一种创新的混合并行双塔模型（CNN–KA
背景：心电图（ECG）信号分类在心律失常的早期诊断和预防中具有关键作用。然而，ECG信号的多样性、数据不平衡以及传统模型在泛化方面的局限性，对分类准确性构成显著挑战。因此，亟需一种有效算法来解决这些问题。目的：本研究提出一种创新的混合并行双塔模型（CNN–KAN），整合卷积神经网络（CNN）和可解释神经网络的优势，以提高ECG信号分类的准确性。方法：所提出的CNN–KAN采用并行双塔架构。CNN自动提取ECG信号的时间特征，而Kolmogorov–Arnold网络（KAN）侧重于捕获深层结构特征。CNN和KAN的特征被并行融合，以感知ECG信号并识别心律模式。为提高分类准确性，研究人员采用了平衡数据样本和基于方差对特征排序等策略。此外，系统实验证明了CNN–KAN的先进性、稳定性和泛化能力。结果：在MIT–BIH数据集上，CNN–KAN的平均分类准确率为97.77%。样本平衡下的平均分类准确率为99.25%。进一步引入方差特征排序后，优化后的分类准确率提高到99.79%。上述结果表明，在Kaggle预定义的心搏级划分方案下，CNN–KAN实现了较强的ECG分类性能。此外，PTB实验进一步支持了该方法对另一ECG数据集和分类任务的适用性。结论：本研究表明，CNN–KAN通过并行双塔架构整合了多视图和多尺度特征。该架构为自动化ECG心搏分类提供了一种方法；然而，其跨患者泛化能力和临床适用性仍需进一步验证。
心脏疾病是全球重要公共卫生挑战，心律失常是常见且可与多种心脏疾病并存的心血管疾病，严重时可影响心脏泵血并危及生命。心电图（ECG，记录心脏电活动的非侵入性诊断信号）是临床检测心律失常和其他心血管疾病的主要工具，其P波、QRS复合波、T波及间期等波形成分对识别心律异常具有意义。传统人工分析ECG耗时且依赖心脏病学专家经验；机器学习（ML）和深度学习（DL）虽已用于ECG信号分类，但仍面临数据不平衡、信号多样性、噪声与伪影敏感、特征非凸性、预设滤波条件影响性能、过度滤波导致特征失真等问题。卷积神经网络（CNN，自动提取层次特征的神经网络）、长短期记忆网络（LSTM）和ResNet等虽提升分类表现，却常缺乏透明度；Kolmogorov–Arnold网络（KAN，以可学习单变量函数替代固定激活函数的可解释神经网络）虽增强特征提取与可解释性，但训练速度慢、参数多、优化效率低，处理高维复杂ECG信号时优化效率受限。基于此，研究人员提出混合并行双塔模型CNN–KAN，旨在融合CNN的高维特征学习能力与KAN的可解释性，并利用CNN辅助KAN训练，提升ECG信号分类和心律失常检测性能。
研究人员构建了CNN–KAN并行双塔架构：先基于方差对ECG特征排序并划分高方差强特征组和低方差弱特征组，分别输入左右塔；每个塔内CNN与KAN并行学习表示，再经融合模块生成分类预测。研究以CNN–MLP同结构双塔作为主要对照，并以单独MLP、KAN为补充基线；采用样本平衡、方差特征排序、平衡参数扫描、交叉熵损失（CEL）和Adam优化，并用Birch、MeanShift、Spectral聚类对原始数据和模型提取特征进行辅助可视化分析。研究在MIT–BIH心律失常数据库（MIT–BIH，公开ECG心搏数据库）上采用Kaggle预定义的心搏级训练测试划分，并在PTB诊断数据集（PTB，公开ECG诊断数据库）上评估另一分类任务的适用性。结果表明，CNN–KAN在MIT–BIH心搏级划分下平均分类准确率为97.77%，样本平衡后为99.25%，进一步结合方差特征排序后为99.79%；PTB二分类任务中，平衡后准确率、精确率、召回率和F1分数分别达到99.03%、99.04%、99.03%和99.04%。研究说明该架构通过并行双塔整合多视图、多尺度特征，为自动化ECG心搏分类提供了方法；但其跨患者泛化能力和临床适用性仍需进一步验证。
关键技术方法概括（不超过250字）：研究采用MIT–BIH数据库48条记录、47名受试者的双通道ECG，采样率360 Hz，按AAMI标准形成N、S、V、F、Q五类，并直接采用Kaggle心搏级训练测试划分；采用PTB数据库290名受试者、12导联、1000 Hz记录，按正常与异常二分类。关键技术包括：基于方差排序将特征分为强、弱特征组并输入并行双塔；CNN与KAN并行提取和融合特征；以0.01步长扫描并确定双塔平衡参数；采用样本平衡、交叉熵损失和Adam优化训练；以Birch、MeanShift、Spectral聚类进行特征表示辅助可视化分析。
研究结果如下。4.3.1 参数优化与平衡点确定：通过固定双塔结构、交换强弱特征输入顺序、以0.01为步长扫描平衡参数，并依据验证集准确率曲线交点确定左右塔平衡参数为0.78和0.22；该结果表明双塔模型在强弱特征分配下形成了较优权重分布。4.3.2 实验结果：在MIT–BIH原始、平衡、方差排序和平衡方差排序四种设置下比较CNN–KAN与CNN–MLP等模型，CNN–KAN在准确率、精确率、召回率和F1分数上总体领先；原始数据平均准确率97.77%，平衡后99.25%，方差排序后97.75%，平衡方差排序后99.79%，F1分数由97.47%提高到99.79%；说明样本平衡和方差特征排序进一步优化了心律分类性能。4.3.3 ROC与AUC指标结果：通过平衡方差排序后的混淆矩阵、ROC曲线和AUC分析，CNN–KAN对N、S、V、F、Q各类的AUC接近或等于1.00，误分类少于CNN–MLP，类间表现较平衡；说明双塔结构能有效区分正负类并保持分类稳定性。4.3.4 向量特征聚类：采用Birch、MeanShift、Spectral对原始MIT–BIH测试数据和CNN–KAN提取特征进行聚类，原始数据边界混合且MeanShift、Spectral效果欠佳，而CNN–KAN特征在三种聚类方法下呈现较清晰类别边界；说明模型具有特征提取、降维去冗余和特征空间变换能力，但该聚类仅为融合特征类别可分性的定性证据，不构成对KAN分支独立贡献、样本级预测依据或生理可解释性的直接验证。
讨论部分总结：与现有MIT–BIH研究相比，CNN–KAN在样本平衡后准确率99.25%，结合方差特征排序后99.79%，优于文献所列多数模型；与EWT+XGB、1D-CNN、DeepArr、MSGformer、AttentivECGRU等比较时，CNN–KAN在多项指标上表现更好，但原文指出不同研究方法策略不同，并非严格同条件直接比较。收敛研究中，CNN–KAN训练和验证损失在200个训练周期内快速下降并稳定，二者接近且损失值很低，未见明显过拟合；CNN–MLP验证损失高于训练损失，泛化能力相对较弱。PTB适用性实验中，保留模型架构和关键超参数并调整输出层进行二分类，CNN–KAN不平衡时准确率、精确率、召回率、F1分数为97.65%、97.25%、97.02%、97.30%，平衡后为99.03%、99.04%、99.03%、99.04%，支持该方法对PTB二分类任务的适用性，但该实验不是MIT–BIH训练模型的跨数据集泛化验证。局限性包括：未通过多次完整训练测试量化运行间波动；双塔结构增加计算开销，实时性未严格评估；对稀有类别可能存在偏倚；采用Kaggle心搏级划分，同一患者心搏可能同时出现在训练和测试集，性能估计可能偏乐观；KAN可学习单变量函数不自动等同决策可解释性，未系统分析样条函数、分支贡献及内部特征与生理ECG波形的对应；尚未开展多患者、多中心外部和前瞻性临床验证。未来研究可拓展至ECG与电子健康记录、超声心动图参数或连续血压等多模态融合，解码样条激活函数以探索数字生物标志物，并通过网络量化压缩、边缘AI和联邦学习推动 wearable 与多中心应用。
研究结论部分翻译：本研究提出混合并行双塔模型CNN–KAN，将可解释的KAN与深度学习模型CNN相结合，结合传统特征工程进行ECG信号提取，并促进心律疾病分类。系统实验设计和比较分析证明了双塔CNN–KAN在心律失常检测中的优越性和创新性。CNN–KAN采用多通道设计的混合并行双塔架构，能够从多尺度和多视角学习ECG信号的复杂特征，实现结构创新。本研究使用Kaggle定义的MIT–BIH心搏级划分评估CNN–KAN分类性能，并进一步用PTB数据集检验其对不同分类任务的适用性；这些结果为该架构用于自动化ECG心搏分类提供了初步证据，但尚未建立其跨患者泛化或临床适用性的证据。与DeepArr、MSGformer和AttentivECGRU等主流方法相比，CNN–KAN证明了有效性，并表明双塔架构通过整合传统特征、深度学习特征和可解释网络特征提升分类性能；定量比较分析进一步验证了双塔架构和特征预处理的合理性与创新性。研究结果提示CNN–KAN对自动化ECG分类具有潜在价值，但其临床适用性仍需进一步验证。本研究为ECG信号分类任务提供了一种新方案，展示了CNN–KAN的技术可行性，并为ECG信号处理研究引入新视角；然而，模型实时性能和类别偏倚仍有改进空间，且亟需对模型内部机制开展全面可解释性研究以增强临床可信度。
