HexagonalWarriorMamba: Superior Threshold-Dependent Multi-label Classification of 12-Lead ECG Cardiac Abnormalities

📄 arXiv: 2605.17875v1 📥 PDF

作者: Huawei Jiang, Husna Mutahira, Shibo Wei, Jiahang Li, Vladimir Shin, Juneho Yi, Dongryeol Ryu, Wonyoung Park, Mannan Saeed Muhammad

分类: cs.CV

发布日期: 2026-05-18

备注: Submitted to Scientific Reports

💡 一句话要点

提出HexagonalWarriorMamba模型，提升12导联心电图多标签心脏异常分类性能

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)

关键词: 心电图分析 多标签分类 Mamba架构 选择性扫描 心脏异常诊断

📋 核心要点

  1. 传统深度学习模型难以有效建模ECG信号中的长程依赖关系，限制了多标签心脏异常的诊断准确性。
  2. HWMamba将12导联ECG视为2D图像，利用Mamba架构和2D选择性扫描机制建模全局上下文和空间关系。
  3. 实验结果表明，HWMamba在Challenge Score和Subset Accuracy等指标上优于现有SOTA方法。

📝 摘要（中文）

本文提出了一种名为HexagonalWarriorMamba (HWMamba) 的框架，用于从12导联心电图(ECG)中准确自动诊断心脏异常，这对于心血管疾病的管理至关重要。传统深度学习模型在建模ECG信号中固有的长程依赖关系方面能力有限，使得检测并发疾病仍然是一个挑战。HWMamba建立在Mamba架构之上，将12导联ECG作为单通道2D图像而非传统的1D时间序列进行处理。通过将分层架构与2D选择性扫描机制相结合，HWMamba旨在建模数据中的全局上下文和复杂的空间关系。该模型在PhysioNet/Computing in Cardiology Challenge 2021数据集上进行了评估，该数据集包含26个诊断标签，包括来自四大洲七个机构的记录。结果表明，HWMamba在五个关键的阈值依赖性指标（包括Challenge Score和Subset Accuracy）上优于当前最先进的方法，并在Macro AUROC上保持了接近SOTA的性能。这种性能反映了在多个评估维度上的一致性，使HWMamba成为一种用于多标签ECG分类的强大而通用的方法。

🔬 方法详解

问题定义：论文旨在解决12导联心电图（ECG）多标签分类问题，即准确诊断心电图中存在的多种心脏异常。现有方法，特别是传统的深度学习模型，在处理ECG信号的长程依赖关系和复杂空间关系方面存在局限性，导致诊断准确率不高，尤其是在存在多种并发症的情况下。

核心思路：论文的核心思路是将12导联ECG信号视为单通道2D图像，并利用Mamba架构及其选择性扫描机制来建模全局上下文和空间关系。这种方法能够更好地捕捉ECG信号中的长程依赖，并有效提取特征，从而提高多标签分类的准确性。将1D信号转化为2D图像，可以利用卷积神经网络在空间特征提取上的优势。

技术框架：HWMamba框架主要包括以下几个阶段：1) 将12导联ECG信号转换为2D图像；2) 使用基于Mamba架构的编码器提取图像特征；3) 利用分层架构逐步提取更高级别的特征；4) 使用2D选择性扫描机制建模全局上下文和空间关系；5) 通过分类器预测每个标签的概率。整体架构是一个编码器-解码器结构，编码器部分是基于Mamba的特征提取器，解码器部分负责多标签分类。

关键创新：HWMamba的关键创新在于将Mamba架构应用于2D ECG图像，并结合了分层架构和2D选择性扫描机制。与传统的1D时间序列处理方法相比，这种方法能够更好地建模ECG信号中的全局上下文和空间关系。Mamba架构中的选择性状态空间模型（Selective State Space Model, S6）允许模型根据输入动态地选择和更新状态，从而更好地捕捉长程依赖关系。

关键设计：HWMamba的关键设计包括：1) 将12导联ECG信号转换为固定大小的2D图像，例如通过插值或重采样；2) 使用多层Mamba块构建编码器，每层Mamba块包含选择性状态空间模型和非线性激活函数；3) 采用分层架构，逐步减小特征图的大小，并增加通道数；4) 使用2D选择性扫描机制，允许模型在水平和垂直方向上扫描特征图，从而建模空间关系；5) 使用Sigmoid激活函数和二元交叉熵损失函数进行多标签分类。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

HWMamba在PhysioNet/Computing in Cardiology Challenge 2021数据集上进行了评估，在Challenge Score和Subset Accuracy等关键指标上优于当前最先进的方法。具体而言，HWMamba在Challenge Score上取得了显著提升，并在Macro AUROC上保持了接近SOTA的性能。这些结果表明，HWMamba在多标签ECG分类中具有强大的竞争力和泛化能力。

🎯 应用场景

HWMamba模型可应用于心血管疾病的自动诊断和监测，辅助医生进行快速准确的诊断，尤其是在资源有限的医疗环境中。该模型还可以用于大规模心电图数据的分析，发现潜在的心脏疾病风险因素，并为个性化医疗提供支持。未来，该技术有望集成到可穿戴设备中，实现实时心电监测和预警。

📄 摘要（原文）

The accurate automated diagnosis of cardiac abnormalities from 12-lead electrocardiograms (ECGs) is critical for managing cardiovascular disease. However, detecting concurrent conditions remains a challenge for traditional deep learning models, which often have limited ability to model the long-range dependencies inherent in ECG signals. This manuscript proposes HexagonalWarriorMamba (HWMamba), a framework built on the Mamba architecture that processes 12-lead ECGs as single-channel 2D images rather than conventional 1D time series. By integrating a hierarchical architecture with a 2D Selective Scan mechanism, HWMamba is designed to model global context and complex spatial relationships within the data. The model is evaluated on the PhysioNet/Computing in Cardiology Challenge 2021 dataset, which includes 26 diagnostic labels and comprises recordings collected from seven institutions across four countries and three continents. Results demonstrate that HWMamba outperforms current state-of-the-art (SOTA) methods across five key threshold-dependent metrics, including Challenge Score and Subset Accuracy. These improvements provide a balance between strong discriminative capability and effective threshold selection derived from the training data, while maintaining near-SOTA performance in Macro AUROC. This Hexagonal Warrior performance, reflecting consistent performance across multiple evaluation dimensions, positions HWMamba as a robust and versatile approach for multi-label ECG classification.