본 논문은 심전도(ECG) 기반 질병 탐지를 위한 새로운 해석 가능한 프레임워크를 제시합니다. 이는 초고차원 컴퓨팅(HDC)과 학습 가능한 신경망 인코딩을 결합한 방법으로, 기존의 정적인 랜덤 투영에 의존하는 HDC 방식과 달리 심장 주기와 일치하는 생리학적 신호 분할 전략인 RR 간격을 기반으로 하는 리듬 인식 학습 가능한 인코딩 파이프라인을 도입합니다. 학습 가능한 RR-블록 인코더와 BinaryLinear 초고차원 투영 계층을 특징으로 하는 신경망 증류 HDC 아키텍처가 핵심이며, 교차 엔트로피와 프록시 기반 메트릭 손실을 함께 최적화합니다. 이 하이브리드 프레임워크는 HDC의 상징적 해석성을 유지하면서 작업 적응적 표현 학습을 가능하게 합니다. Apnea-ECG 및 PTB-XL 데이터셋에서의 실험 결과, 기존 HDC 및 고전적인 머신러닝 기준 모델보다 성능이 뛰어나 Apnea-ECG에서 73.09%의 정밀도와 0.626의 F1 점수를 달성했으며, PTB-XL에서도 비슷한 강건성을 보였습니다. 이 프레임워크는 해석 가능하고 개인화된 건강 모니터링에 강력한 잠재력을 가진 효율적이고 확장 가능한 에지 컴퓨팅 호환 ECG 분류 솔루션을 제공합니다.
