Lecture entre les lignes : classification des signaux d’électrocardiogrammes basée sur une attention locale aux points d’ancrage

Les modèles à attention auto-associative se sont imposés comme des outils puissants tant en vision par ordinateur qu’en traitement du langage naturel (NLP). Toutefois, leur application à l’analyse des signaux électrocardiographiques (ECG) dans le domaine temporel reste limitée, principalement en raison d’un besoin moindre de champs réceptifs globaux. Dans cette étude, nous proposons une nouvelle approche fondée sur l’attention locale pour traiter des tâches de classification multi-classes à l’aide du jeu de données PhysioNet/Computing in Cardiology Challenge 2021, comprenant 26 classes distinctes réparties sur six jeux de données différents. Nous introduisons un concept innovant baptisé « local lead-attention », permettant de capturer des caractéristiques à la fois au sein d’un seul canal (lead) et entre plusieurs canaux configurables. L’architecture proposée atteint un score F1 de 0,521 sur l’ensemble de validation du défi, représentant une amélioration de 5,67 % par rapport à la solution gagnante. De manière remarquable, ce gain de performance est obtenu avec seulement un tiers du nombre total de paramètres, soit 2,4 millions de paramètres.