Dans cet article, nous présentons un nouveau cadre interprétable pour la détection des maladies par électrocardiogramme (ECG), combinant le codage HDC et un codage par réseau neuronal apprenable. Contrairement aux méthodes HDC conventionnelles qui reposent sur des projections statiques et aléatoires, nous introduisons un pipeline de codage apprenable, sensible au rythme et basé sur l'intervalle RR, qui utilise une stratégie de segmentation du signal physiologique alignée sur le cycle cardiaque. La conception principale repose sur une architecture HDC par distillation neuronale, comprenant un encodeur de blocs RR apprenable et une couche de projection BinaryLinear haute dimension, optimisés conjointement par entropie croisée et pertes de métriques basées sur des proxys. Ce cadre hybride permet un apprentissage de représentation adaptatif aux tâches tout en préservant l'interprétabilité symbolique du HDC. Les résultats expérimentaux sur l'Apnée-ECG et le PTB-XL montrent qu'il surpasse significativement les modèles de base HDC conventionnels et ML classiques, atteignant une précision de 73,09 % et un score F1 de 0,626 sur l'Apnée-ECG, ainsi qu'une robustesse similaire sur le PTB-XL. Ce cadre fournit une solution de classification ECG efficace et évolutive, compatible avec les appareils de pointe et présente un fort potentiel pour une surveillance de la santé interprétable et personnalisée.
