DeepArrhythmia: 通过选择性证据获取进行节段上下文感知的心电心律失常分类

arXiv cs.LG 论文
ecg arrhythmia-classification multimodal deep-learning healthcare beat-level evidence-acquisition

摘要

DeepArrhythmia是一个多模态框架，用于心拍级别的心电（ECG）心律失常分类，它结合了原始心电信号和波形图像，利用节段级置信度选择性获取生理证据以提高准确性。

arXiv:2605.16441v1 公告类型: 新 摘要: 心拍级别的心电图（ECG）心律失常检测旨在为记录中的每个心跳分配一个心律失常类别，但许多现有系统将心跳视为孤立的局部实例。这具有局限性，因为心跳标签通常依赖于多心跳节律上下文，包括时序、代偿性间歇以及心跳间形态一致性。我们提出了DeepArrhythmia，一个基于工具的多模态框架，用于节段上下文感知的心拍级别心电心律失常分类。给定一个多心跳心电节段，DeepArrhythmia结合原始心电信号和渲染的波形图像，定位R波峰值以识别心跳实例，并生成结构化的心拍级别预测。该框架通过使用专用工具进行心拍定位、数值节律-形态学提取以及以形态学为重点的文本分析，将生理测量与证据整合解耦。DeepArrhythmia利用节段级置信度在最小和丰富证据状态之间路由，因为更丰富的生理证据并非始终有用。这种智能体设计融合了节律上下文、明确的生理基础以及用于决策的选择性证据获取。
查看原文
查看缓存全文

缓存时间: 2026/05/19 06:43 

# DeepArrhythmia: 通过选择性证据获取实现片段上下文化的搏动级ECG心律失常分类
来源：https://arxiv.org/abs/2605.16441
查看 PDF (https://arxiv.org/pdf/2605.16441)

> 摘要：搏动级心电图（ECG）心律失常检测旨在为记录中的每个搏动分配一个心律失常类别，然而许多现有系统将搏动视为孤立的局部实例。这种方法存在局限性，因为搏动标签通常依赖于多搏动的节律上下文，包括时序、代偿间歇以及搏动间形态一致性。我们提出 DeepArrhythmia，一个基于工具的、用于片段上下文化的搏动级 ECG 心律失常分类的多模态框架。给定一个多搏动 ECG 片段，DeepArrhythmia 结合原始 ECG 信号和渲染后的波形图像，定位 R 峰以识别搏动实例，并生成结构化的搏动级预测。该框架通过专用工具解耦生理测量与证据整合，这些工具用于搏动定位、数值节律-形态提取以及形态聚焦的文本分析。DeepArrhythmia 利用片段级置信度在最小证据状态和丰富证据状态之间进行路由，因为更丰富的生理证据并非总是有用。这种智能体设计整合了节律上下文、显式生理基础以及用于决策的选择性证据获取。

## 提交历史

来自：李佳辉 [查看邮件 (https://arxiv.org/show-email/689d4f31/2605.16441)]  
**[v1]** 2026年5月15日 星期五 00:42:58 UTC (29,057 KB)

相似文章

基于神经网络的呼吸性窦性心律失常分析

arXiv cs.LG

本文提出了一种基于神经网络的方法，利用呼吸性窦性心律失常从ECG信号中估算呼吸频率。该方法评估了不同的深度学习架构以自动提取特征，为非侵入性监测提供了一种可扩展的解决方案。

时间上下文长度与编码策略对自监督心电图表示学习的影响

arXiv cs.LG

本文对心电图自监督表示学习进行了一项受控研究，考察了时间上下文长度（16秒至10分钟）和编码策略（连续补丁嵌入 vs 离散化令牌）如何影响下游节律检测和患者级检索。结果表明，更长的上下文和连续编码器能提升性能，为扩展上下文的心电图基础模型提供了支持。