Bài báo này trình bày ProtoECGNet, một mô hình học sâu đa nhãn có thể diễn giải được dùng để phân loại điện tâm đồ (ECG). ProtoECGNet sử dụng kiến trúc đa nhánh có cấu trúc, phản ánh quy trình diễn giải lâm sàng. Nó thực hiện phân loại nhịp tim bằng CNN 1D và các nguyên mẫu toàn cục, suy luận dựa trên hình thái bằng CNN 2D và các nguyên mẫu cục bộ theo thời gian, và phân loại bất thường lan tỏa bằng CNN 2D và các nguyên mẫu toàn cục. Mỗi nhánh được huấn luyện với một hàm mất mát nguyên mẫu được thiết kế cho học đa nhãn và kết hợp một hàm mất mát tương phản mới giúp thúc đẩy phân cụm, khả năng tách biệt, tính đa dạng và khả năng phân tách phù hợp giữa các nguyên mẫu của các lớp không liên quan. Chúng tôi đánh giá ProtoECGNet trên 71 nhãn chẩn đoán từ tập dữ liệu PTB-XL, chứng minh hiệu suất cạnh tranh so với các mô hình hộp đen tiên tiến và cung cấp các giải thích có cấu trúc dựa trên trường hợp. Đánh giá của bác sĩ lâm sàng về các nguyên mẫu đã xác nhận tính đại diện và rõ ràng của chúng. ProtoECGNet chứng minh rằng việc học nguyên mẫu có thể mở rộng hiệu quả sang phân loại chuỗi thời gian đa nhãn phức tạp, cung cấp một con đường thực tế hướng tới các mô hình học sâu minh bạch và đáng tin cậy để hỗ trợ quyết định lâm sàng.
