En este artículo, presentamos un nuevo marco interpretable para la detección de enfermedades mediante electrocardiogramas (ECG) mediante la combinación de HDC y codificación de redes neuronales aprendibles. A diferencia de los métodos HDC convencionales, que se basan en proyecciones aleatorias estáticas, introducimos un flujo de codificación aprendible que reconoce el ritmo y se basa en intervalos RR, una estrategia de segmentación de señales fisiológicas que se ajusta al ciclo cardíaco. El núcleo de la arquitectura HDC es una arquitectura HDC de destilación neuronal que incluye un codificador de bloques RR aprendible y una capa de proyección BinaryLinear de alta dimensión, que optimiza conjuntamente la entropía cruzada y las pérdidas métricas basadas en proxy. Este marco híbrido permite el aprendizaje de representaciones adaptativas a tareas, manteniendo la interpretabilidad simbólica de HDC. Los resultados experimentales con los conjuntos de datos Apnea-ECG y PTB-XL muestran que supera a los modelos de referencia de HDC convencionales y de aprendizaje automático clásico, alcanzando una precisión del 73,09 % y una puntuación F1 de 0,626 en Apnea-ECG, y una robustez similar en PTB-XL. Este marco proporciona una solución de clasificación de ECG compatible con computación de borde, escalable y eficiente, con un gran potencial para el monitoreo de salud personalizado e interpretable.
