《Frontiers in Artificial Intelligence》：An interpretable multi-scale hybrid attention network (MSHAN) for explainable ECG arrhythmia classification
编辑推荐：
人工智能（AI）有望转变医疗保健中的患者护理，但AI在医疗领域的普遍采用受到模型缺乏透明度和信任度问题的阻碍。研究人员注意到，人工智能（AI）系统与心脏病专家协作时缺乏信任，这些系统可被视为“黑箱”。这一观察促成了将可解释性直接融入架构本身的想法，其关键创新在
人工智能（AI）有望转变医疗保健中的患者护理，但AI在医疗领域的普遍采用受到模型缺乏透明度和信任度问题的阻碍。研究人员注意到，人工智能（AI）系统与心脏病专家协作时缺乏信任，这些系统可被视为“黑箱”。这一观察促成了将可解释性直接融入架构本身的想法，其关键创新在于多尺度特征抽象和分层注意力机制。本文提出一种新型架构，即多尺度混合注意力网络（MSHAN），以应对这一关键挑战，在心电（ECG）心律失常检测中达到96.25%的总体准确率。实验采用MIT-BIH心律失常数据库。所提模型在患者间DS2测试集上表现出良好的区分与分类性能，所有心律失常类别的宏平均敏感性超过95.34%，宏平均精确率超过95.01%，特异性超过98.36%；基于概率的受试者工作特征（ROC）分析也观察到其区分能力，平均曲线下面积（AUC）为0.980。对比分析结果表明，MSHAN方法优于传统方法，包括ResNet-1D（92.14%）和1D CNN（88.73%），并提供了MSHAN在患者间评估模式下预测的解释。研究人员进行了一项非正式临床观察，基于SHAP的模型决策过程可视化有助于心脏病专家更好地理解和检验模型预测的正确性；正式的临床检查和验证将是未来探索的主题。针对多种架构的大量实验表明，通道注意力模块和时间注意力模块与并行卷积通路相结合可获得最佳性能。除了在学习解读ECG方面的作用外，本研究的发现还为涉及人工智能的其他时间序列应用设计可解释系统提供了蓝图。
心血管疾病是全球首要死因，心电图（ECG）是评估心脏健康、检测心律失常等疾病的核心工具。人工智能（AI）有望通过深度学习实现快速、自动的ECG分析，但深度模型的“黑箱”性质导致临床医生难以理解其决策依据，阻碍了AI在医疗领域的广泛采用。现有研究虽然分别验证了多尺度卷积网络（CNN）、注意力机制、循环神经网络（RNN）和可解释人工智能（XAI）在心律失常分类中的有效性，但这些技术多被孤立或部分整合，缺乏一个同时利用互补时空信息并保持模型透明度的统一框架。此外，许多方法依赖RR间期统计、小波变换等手工特征，需要专家知识并限制跨数据集泛化；多数研究采用患者内随机分割，导致训练和测试中出现同一患者的心跳，造成数据泄漏和性能高估。因此，本研究提出可解释多尺度混合注意力网络（MSHAN），将多尺度特征提取、分层注意力、残差学习和门控循环单元（GRU）时序建模集成于一个端到端架构，在严格的患者间DS1/DS2协议下评估，并借助SHAP（SHapley Additive exPlanations）方法实现解释。
研究人员在MIT-BIH心律失常数据库上开展实验，该数据库包含47名受试者的48段双通道ECG记录，共约110,000个标注心跳。按照DS1/DS2患者间划分，DS1（22条记录）用于训练和5折交叉验证，DS2（22条记录）用于最终测试。预处理包括Z-score标准化和对DS1训练集进行随机过采样以平衡五类心律失常（N、L、R、A、V），DS2保持自然分布。MSHAN在DS2上达到96.25%的总体准确率，宏平均敏感性和精确率分别为95.34%和95.01%，特异性为98.36%，平均AUC为0.980，性能优于ResNet-1D、1D CNN、LSTM、BiLSTM、GRU和MLP等基线模型。结果证明，将多尺度卷积与分层注意力及GRU结合，并融入SHAP解释，能够在保证可解释性的同时获得高分类精度。
主要关键技术方法如下：数据来源为公开的MIT-BIH心律失常数据库（47例受试者，两通道，360 Hz采样）。预处理采用Z-score归一化，并仅对DS1训练集进行随机过采样平衡类别（不使用SMOTE）。模型架构包括：并行多尺度卷积块（第一块卷积核大小为7、13、19；第二块为11、17、23），用于捕捉局部和全局时间依赖；时间注意力模块通过1×1卷积和sigmoid激活生成时间注意图，突出关键时间点；通道注意力模块经全局平均池化（GAP）和全连接层计算通道权重；残差连接缓解梯度消失；层归一化稳定训练；两层GRU捕捉时序依赖；全连接层配合L2正则化（0.0001）和dropout（0.5），最终由softmax层输出分类概率。训练采用Adam优化器（初始学习率0.001，批次大小64，30轮，带早停），在DS1内进行5折交叉验证调参，最终在DS2评估。SHAP用于提供全局特征重要性和实例级解释。
研究结果如下：
模型性能与比较：在DS2测试集上，MSHAN取得96.25%的准确率，宏平均F1为95.16%，均优于ResNet-1D（92.14%）、1D CNN（88.73%）、LSTM（63.40%）、BiLSTM（87.02%）、GRU（89.61%）和MLP（93.21%）。训练与验证曲线显示稳定收敛，说明模型未因过采样而明显过拟合。
通过SHAP可视化的可解释性：利用SHAP总结图和瀑布图，模型突出QRS波群和T波等关键区域作为预测依据，全局和局部的可视化帮助心脏病专家理解并检验预测，展示出可解释性具有临床相关性。
ROC曲线与AUC分析：基于Softmax概率进行one-vs-rest的受试者工作特征（ROC）分析，MSHAN的平均AUC为0.980（各类别在0.971–0.991之间），表明模型对各类心律失常均有强区分能力。
消融研究：通过逐一移除组件的消融实验发现，多尺度卷积贡献最大（准确率下降4.20个百分点）；双注意力模块同时
