LYNX-ECG：用可见图神经网络实现准确且可审计的心电图分类

Accurate and Auditable ECG Classification via Visibility Graph Neural Networks

AI 导读

LYNX-ECG 将每次心跳表示为带时间戳转折点的稀疏可见图，在 CODE-Test 上取得 0.889 的 macro F1，超过包括 ECGFounder 基础模型在内的五个基线，图存储量约为逐样本建图的 14%。由于每个节点对应具体 ECG 时刻，可删除临床定义的波形区域并改变心搏时序来审计预测：传导障碍中临床预期区域在超过 90% 的正确预测里是最强证据，房颤判断在去除逐搏变异后消失。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：医生通过波形形态和时序来阅读心电图（ECG），然而准确的深度学习分类器很少展示哪些波形区域驱动了其预测。我们提出 LYNX-ECG，这是一种图神经网络，将每个心跳表示为带时间戳转折点的稀疏可见性图。在 CODE-Test 上，LYNX-ECG 达到 0.889 的宏 F1 分数，优于包括 ECGFounder 基础模型在内的五个基线，而其图所需的存储空间约为从每个样本构建的图的 14%。由于每个节点都映射到特定的 ECG 时间，我们可以删除临床定义的波形区域并改变心搏时序来审计预测。对于传导障碍，临床预期的区域在超过 90% 的正确预测中是最强证据。心动过缓和心动过速的判断随心率变化而传导间期保持固定，而当逐搏变异被移除时，心房颤动的判断消失。因此，稀疏可见性图将准确的 ECG 分类与有临床依据、可检验的解释结合起来。

评论：	43 页，10 幅图，21 张表，包括补充信息
主题：	机器学习（cs.LG）；人工智能（cs.AI）
引用为：	arXiv:2610.41795 [cs.LG]
	（或 arXiv:2610.41795v1 [cs.LG] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.41795 由 DataCite 颁发的 arXiv DOI（待注册）

提交历史

来自：Artur Xavier [查看电子邮件]
[v1] 2026 年 10 月 30 日星期五 14:24:47 UTC（1,600 KB）

来源：arXiv cs.AI · arxiv.org