En este artículo, proponemos una nueva red neuronal, EXGnet, para la clasificación de arritmias en electrocardiogramas (ECG). EXGnet está diseñada para lograr alta precisión, explicabilidad y facilidad de implementación en dispositivos periféricos, especializándose en señales de una sola derivación. Al imitar el enfoque diagnóstico de los ecógrafos, integramos mapas XAI (Inteligencia Artificial Explicable) mediante una función de pérdida regularizada basada en correlación cruzada para centrar la atención del modelo en regiones de ECG clínicamente importantes. Utilizamos datos de referencia generados automáticamente con base en enfoques basados en la variabilidad de la frecuencia cardíaca (VFC) sin anotación manual, e implementamos un modelo ligero aprovechando las características cuantitativas del ECG para el aprendizaje, con el fin de mejorar la precisión, pero excluyéndolas del proceso de inferencia. Introducimos bloques multirresolución para capturar eficientemente las características de la señal a corto y largo plazo, manteniendo la eficiencia computacional. Demostramos un rendimiento superior al alcanzar una precisión promedio de validación cruzada de 5 veces del 98,762 % y el 96,932 %, y una puntuación F1 del 97,910 % y el 95,527 % en los conjuntos de datos de referencia de Chapman y Ningbo. Confirmamos la importancia de los mapas XAI mediante estudios de ablación y evaluaciones cuantitativas y cualitativas de la explicabilidad. En conclusión, EXGnet combina la clasificación de arritmias de alto rendimiento con la explicabilidad, allanando el camino para sistemas de monitorización de la salud portátiles, fiables y accesibles basados en ECG.
