计算机科学 > 机器学习
[提交于 2025年5月31日
]
标题: 通道施加的融合:一种简单有效的医学时间序列分类方法
标题: Channel-Imposed Fusion: A Simple yet Effective Method for Medical Time Series Classification
摘要: 医学时间序列信号(如脑电图 (EEG) 和心电图 (ECG))的自动分类在临床决策支持和疾病早期检测中起着至关重要的作用。尽管基于 Transformer 的模型通过自注意力机制隐式地建模时间依赖性取得了显著的性能,但它们固有的复杂架构和不透明的推理过程限制了其在高风险临床环境中的可信度。针对这些局限性,本研究转向强调结构透明性的建模范式,使其更贴近医疗数据的本质特性。我们提出了一种新颖的方法——通道约束融合(Channel Imposed Fusion, CIF),该方法通过跨通道信息融合提高信噪比,有效减少冗余,并提升分类性能。此外,我们将 CIF 与以结构简单且可控制感受野著称的时间卷积网络(Temporal Convolutional Network, TCN)相结合,构建了一个高效且明确的分类框架。在多个公开可用的 EEG 和 ECG 数据集上的实验结果显示,所提出的方法不仅在各种分类指标上优于现有的最先进的(SOTA)方法,还显著增强了分类过程的透明性,为医学时间序列分类提供了新的视角。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.