本論文は、心電図（ECG）不整脈分類のための新しいニューラルネットワークEXGnetを提案します。 EXGnetは、単一のリード信号に特化しており、高精度、説明可能性、およびエッジデバイスの展開の容易さを同時に達成するように設計されています。心電図医師の診断方法を模倣し、正規化された相互相関ベースの損失関数を介して説明可能な人工知能（XAI）マップを統合し、臨床的に重要な心電図領域にモデルの注意を集中させます。手動注釈なしで心拍数変動に基づくアプローチで自動的に生成された基準データを使用し、定量的ECGの特徴を学習に活用して精度を高めますが、推論過程では除いて軽量化されたモデルを実装します。マルチ解像度ブロックを導入し、計算効率を維持しながら短期および長期の信号特性を効率的に捉えます。 ChapmanとNingboのベンチマークデータセットは、平均5回のクロス検証精度98.762％と96.932％、F1スコア97.910％と95.527％を達成し、パフォーマンスに優れています。除去研究と定量的、定性的説明可能性の評価により、XAIマップの重要性を確認しました。結論として、EXGnetは、高性能不整脈分類と説明可能性を組み合わせて、信頼性が高くアクセス可能なポータブルECGベースの健康監視システムの道を開いた。
