SACNN：一种用于提升心电图（ECG）图像分类准确率和可解释性的空间注意力二维卷积神经网络

《Scientific Reports》：SACNN: a spatial attentive 2D CNN for improved accuracy and interpretability in ECG image classification

　　

摘要

深度学习模型在心电图分析中表现出了强大的性能。然而，许多现有模型作为黑箱系统运行或依赖于事后解释技术，限制了透明度。此外，基于注意力的机制主要关注一维心电图信号，对心电图图像的探索有限。在本研究中，我们提出一种基于空间注意力的二维卷积神经网络（SACNN），该网络具有内在的注意力机制，通过突出显示特征提取过程中被强调的区域来增强模型透明度。在学习过程中将空间注意力融入 2D-CNN，有助于可视化模型强调的图像区域，而无需事后解释方法。实验分析显示，分类性能在单次分割上的准确率高达 0.98，且在分层 k 折交叉验证下表现一致，平均准确率为 0.93。统计假设检验证实，SACNN 相对于所评估的基线 CNN 模型的性能提升具有统计显著性（p<0.05），并且与较大的效应量相关。此外，模型将注意力保持在波形主导区域而非背景区域，并在噪声扰动下表现出鲁棒性。对热力图中注意力分布的定量分析，结合专家评估，表明学习到的注意力行为在空间上是合理的。这项工作代表迈向心电图图像分析透明深度学习框架的基础性一步，并突出了内在注意力热力图在提高透明度及促进模型注意力可视评估方面的潜力。