用于不平衡 ECG 分类的结合样本生成与增强注意力模块的深度表征学习

基于摘要分析。该研究面向心律失常检测中的 ECG 心搏分类，提出结合样本生成与增强注意力的深度表征学习方法，重点处理类别分布不平衡导致的少数类表征学习问题；研究对象是 ECG，而非 EEG 或 BCI。 方法上，作者提出重采样策略，通过 translation loss 将多数类样本转换为少数类样本，而不是仅复制或扩增已有少数类样本，目标是帮助模型学习更具泛化性的少数类表征。增强注意力模块利用辅助特征，使模型关注与目标类别相关的信息。摘要未说明转换发生在信号空间还是特征空间，也未给出损失定义、辅助特征来源、网络结构及训练流程。 评估采用 MIT-BIH arrhythmia database，并使用患者间分类范式。作者报告，结合增强注意力与过采样策略能够学习更均衡的深度表征，并改善重要心搏类别的分类表现；摘要未提供具体指标、数值、患者划分或对照基线，因此无法量化改善幅度。实验协议、消融及统计信息尚未验证，复现时需核对生成样本的类别有效性、各模块贡献及患者划分方式。 平台推测（待验证）：若 EEG 任务存在少数类样本不足，该方法的类别转换损失可能提供重采样思路，但其原始依据是具有心搏结构的 ECG 数据，不能直接外推至 EEG。潜在可复用部分是类别条件转换与注意力机制；输入表示、辅助特征及生理有效性约束需要重新设计。低信噪比、跨被试差异、通道布局变化和小数据均可能使转换保留被试特征而非目标类别信息。可在固定跨被试 EEG 划分下，小规模比较不重采样、常规过采样和类别转换，分别移除注意力与转换模块，并观察少数类召回及 Balanced Accuracy。已有 EEG 相关工作尚未检索确认。