यह शोधपत्र प्रोटोईसीजीनेट प्रस्तुत करता है, जो इलेक्ट्रोकार्डियोग्राम (ईसीजी) वर्गीकरण के लिए एक व्याख्यात्मक बहु-लेबल गहन शिक्षण मॉडल है। प्रोटोईसीजीनेट प्रोटोटाइप-आधारित अनुमान का उपयोग करता है, जो पारदर्शी और विश्वसनीय केस-आधारित व्याख्याएँ प्रदान करने के लिए वास्तविक ईसीजी खंडों के सीखे गए निरूपणों की समानता पर निर्णय आधारित करता है। यह एक संरचित बहु-शाखा वास्तुकला का उपयोग करता है जो नैदानिक व्याख्या कार्यप्रवाहों को प्रतिबिंबित करता है, लय वर्गीकरण के लिए वैश्विक प्रोटोटाइप के साथ एक 1D सीएनएन, आकृति विज्ञान-आधारित अनुमान के लिए समय-स्थानीय प्रोटोटाइप के साथ एक 2D सीएनएन, और प्रसार विसंगतियों के लिए वैश्विक प्रोटोटाइप के साथ एक 2D सीएनएन को एकीकृत करता है। प्रत्येक शाखा को बहु-लेबल शिक्षण के लिए डिज़ाइन किए गए एक प्रोटोटाइप हानि के साथ प्रशिक्षित किया जाता है और एक नवीन कंट्रास्टिव हानि को संयोजित करता है जो असंबंधित वर्गों के प्रोटोटाइप के बीच क्लस्टरिंग, पृथक्करण, विविधता और उचित पृथक्करण को बढ़ावा देता है। हमने PTB-XL डेटासेट के सभी 71 डायग्नोस्टिक लेबल पर ProtoECGNet का मूल्यांकन किया, जिससे यह प्रदर्शित हुआ कि यह संरचित केस-आधारित स्पष्टीकरण प्रदान करते हुए अत्याधुनिक ब्लैक-बॉक्स मॉडलों के साथ प्रतिस्पर्धात्मक रूप से कार्य करता है। प्रोटोटाइप की प्रतिनिधित्वात्मकता और स्पष्टता का सत्यापन संरचित चिकित्सक समीक्षाओं के माध्यम से किया गया। ProtoECGNet दर्शाता है कि प्रोटोटाइप लर्निंग जटिल मल्टी-लेबल टाइम सीरीज़ वर्गीकरण के लिए प्रभावी रूप से स्केल कर सकता है, जिससे नैदानिक निर्णय समर्थन के लिए पारदर्शी और विश्वसनीय डीप लर्निंग मॉडल की ओर एक व्यावहारिक मार्ग मिलता है।
