ECGMamba: Towards Efficient ECG Classification with BiSSM

心电图（ECG）信号分析是心血管疾病诊断中的关键技术。虽然基于Transformer的模型在ECG分类方面取得了重大进展，但它们在推理阶段表现出低效率。这个问题主要归因于Transformer的自注意机制的二次计算复杂度，特别是在处理长序列时。为了解决这个问题，我们提出了一种新颖的模型ECGMamba，它采用双向状态空间模型（BiSSM）来提高分类效率。ECGMamba基于创新的基于Mamba的块，它结合了一系列时间序列建模技术，以提高性能，同时保持推理效率。对两个公开可用的ECG数据集的实验结果表明，ECGMamba有效地平衡了分类的有效性和效率，实现了竞争性能。这项研究不仅为ECG分类领域的知识体系做出了贡献，而且为高效准确的ECG信号分析提供了新的研究路径。这对于心血管疾病诊断模型的发展具有指导意义。

论文旨在解决使用Transformer模型进行心电图分类中的推理效率问题，提出了一种基于双向状态空间模型（BiSSM）的ECGMamba模型。

ECGMamba模型采用了创新的基于Mamba的块，结合了一系列时间序列建模技术，以提高性能并保持推理效率。

论文在两个公开的心电图数据集上进行了实验，证明ECGMamba能够有效地平衡分类的效果和效率，并取得了有竞争力的性能。这项研究不仅为心电图分类领域的知识体系做出了贡献，而且为高效准确的心电图信号分析提供了新的研究路径。

最近在这个领域中，还有一些相关的研究，例如：“ECG arrhythmia classification using a 2-D convolutional neural network”和“ECG classification using multiresolution wavelet analysis and support vector machine”等。