قراءة بين الخطوط: تصنيف إشارات كهرباء القلب القائمة على الانتباه المحلي المُوجّه إلى الريادة

أصبحت نماذج الانتباه الذاتي أدوات قوية في مجالات الرؤية الحاسوبية ومعالجة اللغة الطبيعية (NLP). ومع ذلك، ظلت تطبيقاتها في تحليل إشارات كهربية القلب (ECG) في المجال الزمني محدودة، وذلك بشكل رئيسي بسبب الحاجة الأقل إلى مجالات استقبال عالمية. في هذه الدراسة، نقدم نهجًا جديدًا يستخدم الانتباه الذاتي المحلي لمعالجة مهام التصنيف متعدد الفئات باستخدام مجموعة بيانات PhysioNet/Computing in Cardiology Challenge 2021، التي تشمل 26 فئة مختلفة عبر ستة مجموعات بيانات مختلفة. نُقدّم مفهومًا مبتكرًا يُسمى "الانتباه المحلي للقائد" (local lead-attention) لاستخلاص السمات داخل قائد واحد، وكذلك عبر عدة قوائد قابلة للتكوين. تحقق البنية المقترحة نسبة F1 قدرها 0.521 على مجموعة التحقق من المسابقة، ما يمثل تحسنًا بنسبة 5.67% مقارنة بالحل الفائز. وبشكل لافت، تحقق نموذجنا هذا الأداء المتميز بحجم معلمات إجمالي يُعادل ثلث حجم المعلمات الإجمالي للحل الفائز، حيث بلغ عدد المعلمات 2.4 مليون معلمة فقط.