arXiv cs.AI· Ugo Lomoio, Pierangelo Veltri, Pietro Hiram Guzzi·· 10 小时前AI 评分32
BiMa-ECGSR:用双向状态空间模型从减少导联集重建 12 导联 ECG
BiMa-ECGSR: reconstructing the 12-lead ECG from reduced lead sets with bidirectional state-space models
AI 导读
BiMa-ECGSR 用双向 Mamba 状态空间编码器-解码器,从减少导联集重建 12 导联 ECG,提供回归版 BiMa-SR 与扩散版 DiBiMa-SR。
正文 · AI 翻译
摘要:可穿戴设备和监护仪记录的导联心电图(ECG)数量很少;大多数诊断工具都假定有 12 个导联。BiMa-ECGSR 使用双向 Mamba 状态空间编码器--解码器,从缩减的导联集重建 12 导联 ECG,可采用回归(BiMa-SR)或扩散(DiBiMa-SR)方式。模型在 PTB-XL 上针对六种输入集(I;II;I+II;I+II+V1;I+II+V2;I+II+V1+V4)进行训练,推理时仅看到实测导联,并在 PTB-XL 测试折(2,198 条记录)和两个外部队列(Georgia,10,275 条记录;Chapman-Shaoxing/Ningbo,43,559 条)上测试。仅从导联 II 出发,在 PTB-XL 上对 11 个预测导联的汇总中位 Pearson 相关系数(PCC)为 0.914,而最小二乘线性滤波器为 0.784(导联 I:0.906 对 0.789)。由于肢体导联可由 I 和 II 精确导出,多导联输入在预测胸导联上进行比较:I+II 为 0.939 对 0.849,I+II+V1+V4 为 0.979 对 0.962。BiMa-SR 在所有 18 个配置--队列组合中均超过线性对照(高出 0.012--0.136),且随着胸导联增加,这一差距缩小。从导联 II 出发,回归比扩散更准确(DiBiMa-SR:单步 0.903,六步 DDIM 为 0.862)。仅在真实 ECG 上训练的 12 导联分类器在真实 PTB-XL ECG 上达到超类宏 AUROC 0.912,在由导联 II 重建的 ECG 上为 0.843,在由 I+II+V1+V4 重建的 ECG 上为 0.908;在外部数据上,由三或四个导联重建的 ECG 得分与真实 ECG 相差在 0.004 以内。BiMa-SR(2.68\,M 参数)在 GPU 上处理每条 10 秒记录耗时 45.8 ms。重建使缩减导联记录可供 12 导联工具使用;但它无法添加实测导联中不存在的信息。
| 主题: | 机器学习(cs.LG);人工智能(cs.AI) |
| 引用为: | arXiv:2611.23345 [cs.LG] |
| (或 arXiv:2611.23345v1 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.23345 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Ugo Lomoio [查看电子邮件]
[v1]
2026 年 11 月 17 日星期二 10:20:02 UTC(417 KB)
来源:arXiv cs.AI · arxiv.org