Trong bài báo này, chúng tôi đề xuất một mạng nơ-ron mới, EXGnet, để phân loại loạn nhịp tim trên điện tâm đồ (ECG). EXGnet được thiết kế để đạt được độ chính xác cao, khả năng giải thích và dễ dàng triển khai thiết bị biên bằng cách chuyên về các tín hiệu một đầu dò. Bằng cách mô phỏng phương pháp chẩn đoán của các bác sĩ điện tâm đồ, chúng tôi tích hợp các bản đồ XAI (Trí tuệ nhân tạo có thể giải thích) thông qua một hàm mất mát dựa trên tương quan chéo được chuẩn hóa để tập trung sự chú ý của mô hình vào các vùng ECG quan trọng về mặt lâm sàng. Chúng tôi sử dụng dữ liệu tham chiếu được tạo tự động dựa trên các phương pháp dựa trên biến thiên nhịp tim (HRV) mà không cần chú thích thủ công và triển khai một mô hình nhẹ bằng cách tận dụng các đặc điểm ECG định lượng để học nhằm cải thiện độ chính xác nhưng loại trừ chúng trong quá trình suy luận. Chúng tôi giới thiệu các khối đa độ phân giải để nắm bắt hiệu quả các đặc điểm tín hiệu ngắn hạn và dài hạn trong khi vẫn duy trì hiệu suất tính toán. Chúng tôi chứng minh hiệu suất vượt trội bằng cách đạt được độ chính xác xác thực chéo 5 lần trung bình là 98,762% và 96,932%, điểm F1 là 97,910% và 95,527% trên các tập dữ liệu chuẩn Chapman và Ningbo. Chúng tôi khẳng định tầm quan trọng của bản đồ XAI thông qua các nghiên cứu cắt đốt và đánh giá khả năng giải thích định lượng và định tính. Tóm lại, EXGnet kết hợp phân loại loạn nhịp tim hiệu suất cao với khả năng giải thích, mở đường cho các hệ thống theo dõi sức khỏe dựa trên ECG di động đáng tin cậy và dễ tiếp cận.
