MECKA: A Multimodal ECG Classification Framework via Knowledge Augmentation

Guipeng Wei

doi:10.1016/j.bspc.2026.110738

MECKA: A Multimodal ECG Classification Framework via Knowledge Augmentation

2026-06-12

0

PRE

AI

Chen Zhenghua (Zhenghua Chen)

Z

Zibin Zheng

DOI：10.1016/j.bspc.2026.110738

原文链接

原文求助

摘要

En 中文

心电图（ECG）分类在心血管疾病的早期诊断中发挥着关键作用。尽管近年来深度学习（DL）方法实现了自动化特征提取，但大多数方法未能有效整合多尺度ECG信息并融入临床专业知识。为解决这些局限性，我们提出MECKA（基于知识增强的多模态ECG分类），这是一个融合原始ECG信号、时-频特征和领域特定文本知识的统一框架。具体而言，MECKA包含三个关键组件：（1）一个双流融合模块，用于结合信号级和特征级信息；（2）一个文本嵌入模块，利用在精选临床语料库上训练的大型语言模型（LLMs）；（3）一个跨模态对齐模块，通过对比学习对齐ECG和文本表示。为评估MECKA，我们在公开基准数据集上进行了广泛实验。结果表明，我们的框架实现了当前最佳性能，在MultiDB、LTSTDB和LTAFDB数据集上的总体准确率分别为97.73%、99.82%和95.92%，同时相较于现有方法展现出更高的效率、鲁棒性和稳定性。

MECKA: A Multimodal ECG Classification Framework via Knowledge Augmentation

摘要

期刊

机构

引用论文