乐普医疗AI
近日，乐普医疗人工智能团队在IEEE会议上发表了一篇人工智能心电图分析论文《Arrhythmia Classification with Heartbeat-Aware Transformer》。论文基于Transformer模型架构，通过引入心搏的注意力机制增强心搏之间的关联性，来提高模型对心电图心搏的识别能力，从而进一步提升乐普AI-ECG算法的准确性。论文还对该模型的推理机制进行了解释，帮助理解人工智能心电图算法的一些内在逻辑。现将英文论文摘译如下： 模型的思路及结构
Transformer模型是一个在自然语言处理领域应用广泛的人工智能模型，本文借鉴语音翻译的思路，在Transformer模型的基础架构之上，提出了心电图心搏相关的注意力机制，构造了一个新型的Transformer神经网络模型。利用这种在时间序列上的心搏注意力，增强心搏片段编码和解码之间的关联度，通过模型去“翻译”心电图，对心电图心搏类型进行识别和分类，从而帮助医生更有效地诊断心脏疾病。
测试结果表明，该模型对心搏分类识别的精确率和敏感率较其他几个自然语言处理相关的模型有明显的提升。
新模型结构如下：
训练及测试数据集
模型使用了乐普公司近期收集的心电图片段数据。训练、验证、测试数据集的分布如下：
模型结果对比下面的图表数据是新模型和其他相关的人工智能模型在精确率、敏感率和F1分数上的测试对比结果。从总体上看，精确率、敏感率和F1 分数都比其他几个模型有所提高，说明该模型在心搏分类识别上要比其他模型表现更出色。
模型解释
下图是ECG片段和模型热力图的关联分析。热力图展示了不同时刻模型中特征最突出的心搏。每一列深颜色区域代表了模型在该时刻关注的心搏情况，颜色越深，说明模型对这个区域关注度更高，特征越明显。
比如，图中的ECG片段在第4秒位置出现了室性早搏（VC）。相应的，热力图中第4秒位置上的光柱颜色最深，说明模型此时的注意力集中在该VC心搏。这个结果也说明模型设计符合预期。
问Transformer模型可解释的意义
可解释性是目前人工智能技术面临的一个难题，也就是我们常说的“黑盒”问题。通常我们训练了一个模型，却很难解释模型内在的推理逻辑。乐普医疗的研究工作，一方面推进了心电图人工智能的分析诊断能力，同时还尝试探讨模型的工作机理，这是人工智能技术在心电图领域上的一个创新。
ICASSP会议简介
ICASSP（英文全称International Conference on Acoustics, Speech and Signal Processing）即国际声学、语音与信号处理会议，是全世界最大的，也是最全面的信号处理及其应用方面的顶级会议。作为IEEE（电子技术与信息科学工程师协会）的一个重要会议，ICASSP除了有几十年历史外，其论文还经常被三大检索工具检索。因此，ICASSP对于信号处理方面的学术人士有着重要意义。它涵盖了音频和声学信号处理，图像、视频和多维信号处理，物联网的信号处理等至少十六个方向。
