摘要
心电图（ECG）信号常用于诊断各种心脏异常。近期，深度学习模型在建模ECG数据方面取得了初步成功，但这些模型大多是黑箱模型，因此缺乏临床应用所需的可解释性。本研究提出了一种多层级知识引导注意力网络（MultIlevel kNowledge-guided Attention networks, MINA），该网络能够从ECG信号中预测心脏病，并提供与医学知识相一致的直观解释。通过分别提取多层级（心跳级、节律级和频率级）领域的知识特征，MINA利用多层级注意力模型将医学知识与ECG数据相结合，从而使所学模型具有高度的可解释性。实验结果表明，MINA在真实世界的心电图数据集上达到了0.9436的PR-AUC值（比最佳基线模型高出5.51%）。此外，MINA还展示了对信号失真和噪声污染具有较强的鲁棒性和良好的可解释性。