摘要
自注意力模型在计算机视觉与自然语言处理（NLP）领域已展现出强大的性能。然而，其在时域心电图（ECG）信号分析中的应用仍较为有限，主要受限于对全局感受野需求较低的特性。在本研究中，我们提出一种创新方法，采用局部自注意力机制，针对PhysioNet/Computing in Cardiology Challenge 2021数据集中的多类别分类任务进行建模，该数据集涵盖六个不同来源的26个分类类别。我们引入了一种新颖的概念——“局部导联注意力”（local lead-attention），以有效捕捉单个导联内部及多个可配置导联之间的特征关联。所提出的模型在挑战赛的验证集上取得了0.521的F1分数，较优胜方案提升了5.67%。尤为突出的是，该模型仅需240万个参数（为优胜方案参数量的三分之一），便实现了显著的性能提升，充分体现了其高效性与优越的泛化能力。