时空图卷积网络

心律失常检测高精度

为资源受限的物联网和边缘设备设计，在保证高精度的同时实现轻量化和实时处理。

Iqbal, Saeed · Xiaopin, Zhong · Alhussein, Musaed A. · 吴宗泽 · Aurangzeb, Khursheed · 刘维湘 · Zhang, Yudong

IEEE Internet of Things Journal 2025

参数信息

准确率

0.9641

训练误差

0.0004

F1分数

0.9645

技术优势

实时可部署

模型计算量小，可在边缘和物联网设备上直接运行，无需云端处理，降低延迟。

时空特征强

DualGCNN结合双图卷积与空间注意力，能同时捕捉ECG信号的局部和全局依赖。

训练误差低

训练误差仅0.0004，模型拟合优良，保证稳定性。

应用场景

• 可穿戴心电监测：在可穿戴设备上实时检测心律失常，无需云端处理。
• 物联网健康设备：模型轻量，适合部署在资源受限的物联网健康设备中。
• 实时健康监测：高精度实时识别ECG异常，支持持续健康监测。
• 边缘计算：计算经济，可直接在边缘设备上推理。