编辑推荐：
为解决可穿戴设备ECG分类中计算资源受限与隐私保护的难题，本研究提出轻量级残差扩张时序Transformer模型，通过融合扩张卷积、SE注意力与SMOTE数据增强，仅用692K参数即实现99.34%分类准确率，为心血管疾病实时监测提供高效边缘计算方案。
随着智能手环、心电贴片等可穿戴设备普及，心血管疾病监测正从医院走向日常生活。这些“贴身卫士”能持续采集心电图(ECG)、心率、血氧等生理信号，为早期发现心律失常(ARR)、心力衰竭(CHF)等疾病提供宝贵数据。然而，当海量ECG数据涌向云端分析时，网络延迟可能延误预警，数据传输更引发隐私泄露风险。若直接在设备端部署AI模型，又受限于电池容量和芯片算力——传统深度学习模型动辄数百万参数，会让手表发烫、续航骤降。如何在巴掌大的设备上实现“既准又快”的ECG分析，成为可穿戴健康领域亟待突破的技术瓶颈。
针对这一挑战，发表于《Scientific Reports》的研究提出创新解决方案：一种专为边缘设备优化的轻量级ECG分类模型。该模型巧妙结合残差扩张卷积与Transformer架构，在保证精度的同时大幅压缩计算量。研究人员采用SMOTE过采样和抖动噪声增强技术平衡三类临床关键心律（ARR、CHF、NSR）数据，引入通道注意力机制(SE blocks)强化特征提取，并利用位置编码解决Transformer时序建模缺陷。最终模型仅692K参数（2.64MB存储），单次推理0.234 GFLOPs计算量，却创下99.34%分类准确率、0.9996宏AUC的优异性能。
技术方法：研究基于公开ECG数据集，采用SMOTE技术解决类别不平衡，叠加抖动噪声增强数据鲁棒性。模型架构融合残差扩张卷积（扩大感受野）、Transformer（捕捉长程依赖）与SE注意力（特征筛选），通过位置编码补偿Transformer时序信息缺失。训练过程采用交叉熵损失函数，重点优化模型在低功耗硬件上的部署效率。
结果分析：
分类性能验证：模型在测试集上Macro AUROC达0.9996，Cohen’s Kappa 0.9891，Log Loss仅0.0495，表明分类结果与金标准高度一致。
泛化能力评估：Hamming Loss 0.0062、MCC 0.9891，证明模型对噪声和个体差异具备强鲁棒性。
效率对比实验：与现有方法相比，该模型在同等精度下参数减少72%，推理速度提升3倍，满足可穿戴设备实时监测需求。
结论与讨论：该研究首次实现Transformer架构在资源受限边缘设备上的高效ECG分类，其“扩张卷积+注意力”设计范式为轻量化时序建模提供新思路。模型在保证医疗级精度的同时，将计算复杂度降至智能手表可承载范围，有效解决隐私与延迟痛点。未来可结合联邦学习技术，推动个性化心血管风险评估模型在社区场景落地，为慢性病防控提供技术支撑。
