面向不平衡心电信号分类的类别感知混合Mixup方法

摘要

针对心电信号分类中的类别不平衡问题，提出一种面向心电分类的类别敏感融合Mixup方法。该方法结合CutMix1d与Manifold Mixup的优势：前者在原始空间生成更贴近真实分布的少数类样本，后者通过特征空间插值平滑决策边界，从而兼顾少数类增强与整体判别能力提升。同时，引入少数类感知机制，使模型在稀有类别上的优化更加针对性。在两个公开心电数据集上开展实验，包括PTB-XL的3个不平衡任务以及CPSC2018任务。结果表明，本文方法在4个任务上的平均Macro-AUC较基线整体提升接近0.01，表现出稳定一致的优势；在Sub-diagnostic任务上进一步引入Macro-F1评估时，平均值较基线提升0.075，类别层面的改进更为显著。上述结果表明，该方法能够有效缓解心电数据的不平衡问题，为临床心电自动分析提供一种高效的数据增强方案。

关键词

心电信号分类 / 类别不平衡 / 数据增强 / Mixup / CutMix1d / Manifold Mixup