混合与先进的卷积技术，用于实现高精度、可靠且自动化的心电图（ECG）分类

《Scientific Reports》：Hybrid and advanced convolution techniques for highly accurate, reliable and automated ECG classification

　　

摘要

心脏心律失常是全球心血管疾病死亡的主要原因之一，而自动分析心电图（ECG）记录是一项尚未得到满足的临床需求。本文介绍了一种混合一维卷积神经网络（CNN）架构，用于自动识别心电图中的心跳信号，该架构能够捕捉多尺度形态特征和长时序依赖性。该架构结合了动态核切换（DKS）机制、自适应核大小选择（3、5、7）、自注意力模块以及扩张率为2和4的扩张卷积。为了在神经处理单元（NPUs）和FPGA/ASIC平台上实现低功耗边缘部署，评估了三种量化方案：（1）动态训练后量化（PTQ），使用INT8权重和FP32输入输出；（2）全整数量化（Full-Integer PTQ），同样使用INT8权重和激活值；（3）量化感知训练（QAT）。通过修正后的分层训练/验证/测试协议（72/8/20比例）、焦点损失函数（γ=2.0）、AdamW优化算法以及余弦学习率衰减策略，该模型在MIT-BIH心律失常数据库上的测试准确率达到98.99%，宏观F1分数为0.9484（共16,219个测试样本，涵盖五个AAMI分类）。五折分层交叉验证进一步证明了模型的统计稳健性：准确率为98.93%±0.10%，置信区间为[98.84%，99.02%]。一项涵盖自注意力（Self-Attention）、CBAM、CSA和SimSA等多种变体的全面消融研究显示，所提出的DKS+自注意力组合优于所有其他方案。通过在五个独立保留的MIT-BIH患者记录数据集（10,444个样本）上的验证，该模型的泛化能力得到进一步验证，准确率为92.86%，宏观F1分数为0.8219。该模型仅包含331,733个参数，在动态量化（Dynamic PTQ）下模型大小压缩至约0.32MB，从而可以直接转换为TFLite格式，适用于RTL级别的FPGA部署。