AI × ECG 心律不整 — Transformer vs CNN 架構系統性比較

工程醫療生技 ECG分類 × 深度學習架構比較

案例概覽

項目	內容
領域大類	工程 / 醫療生技
領域子類	生醫信號處理 × 深度學習架構比較
資料集	MIT-BIH (109,446 beats) + PTB-XL (21,837 records) + CPSC2018 (6,877 records)
可行性	★★★★★
新穎性	★★★★☆
發表價值	★★★★★

研究現況：ECG 深度學習架構的三世代演進

ECG 心律不整自動分類的深度學習方法歷經三個階段：

第一世代（2017–2021）：CNN 主導

Hannun et al. (2019) 用 34 層 CNN 達到心臟科醫師級準確率（Nature Medicine）
ResNet-1D、InceptionTime 確立 CNN 基準地位
多數研究使用患者內（intra-patient）切分，準確率虛高（>99%）

第二世代（2022–2023）：Transformer 登場

Vision Transformer 移植至 ECG 一維信號
各自對比自己的基準，無統一實驗條件

第三世代（2024–至今）：Hybrid 主流 + 邊緣部署

CAT-Net、CNN-Transformer 等 Hybrid 架構成為新基準
可穿戴設備部署需求興起，但計算效率分析嚴重缺失
不同研究間結果無法互比，缺乏公平受控的基準測試

關鍵發現

現有文獻報告同一資料集（MIT-BIH）的準確率從 92% 到 99.9% 不等，差異來源是前處理流程與資料切分策略，而非模型本身。 公平受控的 Transformer vs CNN vs Hybrid 基準至今不存在。

三個研究缺口

缺口一：不公平比較協議 — 結果無法互比

現有研究使用不同的前處理流程和資料切分方式。報告準確率 >99% 的研究幾乎全部使用患者內切分，而臨床意義更高的患者間（inter-patient）評估下準確率普遍下滑 5–10%。

缺口二：單一資料集驗證 — 跨資料集泛化未知

超過 80% 的研究僅用 MIT-BIH（48 位患者，1980 年代數據）。無研究系統性地在 MIT-BIH、PTB-XL 和 CPSC2018 三個資料集上同時比較 Transformer vs CNN。

缺口三：計算效率分析缺失 — 臨床部署決策無依據

架構比較研究普遍略去 FLOPs、推論延遲、記憶體佔用等計算指標——可穿戴設備的部署可行性完全取決於延遲與記憶體，但現有基準無法提供選型依據。

11 Phase 執行摘要

Phase	執行內容	狀態
1 概念確認	確認三假說（H1–H3）、六模型架構、三資料集	✅
2 文獻搜集	收集 42 篇候選，CrossRef + S2 三重驗證，39 篇通過（92.9%）	✅
3 研究定位	確認三缺口，建立差異化陳述	✅
4 論文架構	IMRaD 骨架，4 圖 + 5 表 = 9 個圖表	✅
5 實驗設計	MVP 模式跳過	⏭
6 實驗執行	MVP 模式跳過	⏭
7 結果分析	5 張結果表（主表 3-Panel + 消融 + 計算效率），模擬數值	✅
8 論文撰寫	全文 7 節完成，39/39 引用鍵嵌入	✅
9 品質審查	Stage 0 + Stage 1 通過，P0=0	✅
10 投稿準備	Cover Letter + Submission Checklist	✅
11 審稿回覆	按需啟動	⏳

主要結果預告（模擬數據，^S^ 標注）：

Hybrid CNN-Transformer 在三資料集均最佳（Macro-F1: 0.946 / 0.901 / 0.867）
純 CNN 有 3–5× 計算效率優勢（ResNet-1D: 1.8ms, 0.52M params）
CNN-Transformer 顯著優於所有其他模型（McNemar’s test, p < 0.05）
Pareto 最優：ResNet-1D（邊緣）→ InceptionTime（中間）→ CNN-Transformer（雲端）

完整缺口分析

缺口一深析：不公平比較的量化影響

為何理論上重要： 若基準不一致，任何「Transformer 優於 CNN」或「CNN 更適合邊緣部署」的結論都無法被信賴。錯誤選擇可能導致部署後準確率比預期低 5-10%，在心律不整偵測中意味著漏診風險。

文獻支撐：

Ansari et al. (2023) 系統性回顧指出 ECG 分類研究缺乏統一評估協議
Islam et al. (2024) CAT-Net 在患者內切分達 99.14%，但患者間切分下未報告
DeChazal et al. (2004) AAMI 標準明確要求患者間評估，但多數研究忽略

我們的回應： 所有 6 個模型使用完全一致的前處理管道（帶通濾波 0.5-45Hz + R-peak 偵測 + Z-score 正規化）、AAMI 標準患者間切分、7 個統一評估指標。

缺口二深析：MIT-BIH 偏誤的系統性問題

為何理論上重要： MIT-BIH 只有 48 位患者（1980 年代），人口多樣性極低，類別極不平衡（N 類 >90%）。模型在 MIT-BIH 的高性能可能無法泛化到現代臨床場景。

文獻支撐：

Strodthoff et al. (2021) 在 PTB-XL 的系統性基準顯示跨資料集性能差距顯著
Imtiaz et al. (2024) 展示跨資料庫泛化退化
Wagner et al. (2020) PTB-XL 包含 18,885 位患者，遠比 MIT-BIH 具代表性

我們的回應： 三資料集評估（MIT-BIH + PTB-XL + CPSC2018）覆蓋單導程/12 導程、不同人口組成、不同標注方案。

缺口三深析：計算成本分析的臨床必要性

為何理論上重要： 心律不整監測需在可穿戴設備（<10ms 延遲、<100MB 記憶體）、床邊監護儀、雲端系統等不同場景部署。

文獻支撐：

Gu et al. (2023) 設計消耗 1.14mW 的硬體 CNN，強調功耗是可穿戴的核心約束
An et al. (2024) 透過知識蒸餾實現 1242× 模型壓縮
AnsariSurvey (2025) 識別計算效率分析缺失為現有文獻的最關鍵空白

我們的回應： 完整計算分析 + Pareto 效率邊界分析，直接映射到三種部署場景的選型建議。

可行研究題目

題目一（本案例）：系統性基準（可行性最高）

完整標題： Transformer, CNN, or Both? A Systematic Benchmark for ECG Arrhythmia Classification Across Architectures, Datasets, and Deployment Constraints

核心問題： 在嚴格控制的實驗條件下，三類架構在分類性能與計算效率上各有何優勢？

方法框架： 統一前處理管道 + 6 架構 + 3 資料集 + 7 指標 + 計算 Pareto 分析

貢獻點：

首個嚴格受控的 Transformer vs CNN vs Hybrid ECG 基準框架
三資料集跨域泛化證據
精確性-效率 Pareto 邊界 + 臨床部署場景選型指南

題目二：可解釋性（深化延伸）

完整標題： Attention Mechanisms in ECG Arrhythmia Classification: What Do Transformers Actually Learn Compared to CNNs?

題目三：邊緣部署（應用導向）

完整標題： Efficient ECG Arrhythmia Detection for Wearable Devices: Neural Architecture Search Beyond Transformer-CNN Trade-offs

題目比較矩陣

面向	題目一（基準）	題目二（可解釋性）	題目三（邊緣部署）
難度	★★★☆☆	★★★★☆	★★★★★
新穎性	★★★★☆	★★★★★	★★★★☆
出稿速度	快（6 週）	中（9 週）	慢（12 週+）
MVP 可展示度	★★★★★	★★★☆☆	★★★☆☆

期刊推薦

期刊	IF	適合題目	策略
Expert Systems with Applications	8.5	題目一	首選 — 強調 architecture selection decision support
Computers in Biology and Medicine	6.3	題目一、二	備選 — scope 完美匹配
IEEE JBHI	7.7	題目一	定位為 Strodthoff (2021) 延伸
Biomedical Signal Processing and Control	5.1	題目一、二	穩妥選擇
Scientific Reports	4.6	題目一	保底

競爭態勢警示

2025 年已有 2 篇類似定位的 arXiv preprint，研究窗口正在縮小。 建議首投 ESWA (IF 8.5)，強調「architecture selection decision support」角度。投稿前必須跑完真實實驗（~2-4 天 GPU time）。模擬數據無法投稿任何期刊。

主要結果預覽（模擬數據）

資料集	最佳模型	Macro-F1	vs 最佳純 CNN	vs 最佳純 Transformer
MIT-BIH (5-class)	CNN-Transformer	0.946	+4.8%	+2.0%
PTB-XL (5-superclass)	CNN-Transformer	0.901	+5.6%	+2.2%
CPSC2018 (9-class)	CNN-Transformer	0.867	+5.4%	+1.9%

計算效率：ResNet-1D（1.8ms, 0.52M）最適合邊緣 / CNN-Transformer（6.8ms, 4.63M）最佳平衡 / ECG-Transformer（14.2ms, 7.81M）僅適合雲端

所有數值為模擬數據（^S^），統計自洽但非真實實驗結果。

DOI 驗證摘要

指標	數值
候選文獻	42 篇
最終採用	39 篇（92.9%）
雙重驗證通過	37/39（94.9%）
Abstract 覆蓋率	33/39（84.6%）

品質評估與改進空間

本初稿為論文方法學的流程展示（showcase），呈現從概念到初稿的完整過程。不是投稿版本。以下為品質審查的發現與升級建議。

目前水準

維度	分數	滿分	狀態
研究缺口清晰度	17	20	✅
方法論嚴謹度	21	25	✅
結果顯著性	12	20	⚠️（模擬數據，待真實實驗）
寫作品質	13	15	✅
引用驗證	9	10	✅（39/39 全驗證）
貢獻差異化	4	5	✅
圖表品質	3	5	⚠️（模擬 Grad-CAM）
總分	79	100	接近 Q1 門檻（80）

P0 問題（致命）：0 個
P1 問題（重要）：2 個 — 模擬數據 + 模擬 Grad-CAM
退稿風險：35%（中風險，因 benchmark 無 novel method）

模擬 Reviewer 意見

Reviewer 1（深度學習方法論專家）：

「6 個模型的超參數搜索策略未交代。是否都做了 grid search？若只用預設值，公平性存疑。」 正面評價：「統一前處理管道 + AAMI inter-patient split 的設計嚴謹，填補了重要方法論空白。」

Reviewer 2（心臟電生理學專家）：

「MIT-BIH 類別極不平衡（N 類 >90%），Macro-F1 可能被常見類拉高。需報告 per-class F1，特別是 S 類和 F 類的辨識率。」 正面評價：「三資料集評估（含 PTB-XL 12 導程）的泛化性分析有臨床價值。」

Reviewer 3（邊緣計算專家）：

「計算效率測量只在 RTX 3090 上進行，但目標部署場景是可穿戴設備。應在 ARM Cortex-M 或 Raspberry Pi 上實測。」 正面評價：「Pareto frontier 分析直接可供部署決策使用，這是現有 benchmark 最缺的貢獻。」

升級到 SCI 等級需要

補上真實實驗數據 — 替換所有模擬值（標記為 ^S^ 的數字）
報告 per-class F1 — 特別是 S/V/F 少數類別
邊緣設備實測 — 至少在 Raspberry Pi 上量測推論延遲
超參數搜索文檔 — 明確記載每個模型的搜索空間和最佳配置
開放原始碼 — GitHub repo 支持可重複性

可加強的空間

可加入 cross-dataset transfer learning 實驗（在 A 訓練、B 測試）
可加入 fine-tuning 實驗（用大型預訓練模型微調）
2025 已有 2 篇類似 arXiv preprint，建議 3 週內投稿

論文初稿下載

論文初稿 PDF（Showcase Draft）

含 39 篇藍色超連結引用 + SHOWCASE 標記 + 15 頁 + 4 圖 5 表

下載完整論文

登入後可解鎖：完整缺口分析 + 三個可投稿題目 + 期刊推薦（含競爭態勢警示）+ 論文初稿 PDF 下載 + 品質審查報告

想把這套方法應用到你的領域？

論文方法學可以應用到任何研究領域。趕快預約諮詢，讓我們幫你找到屬於你的研究缺口。

預約諮詢 →

AI × ECG 心律不整 — Transformer vs CNN 架構系統性比較

案例概覽

研究現況：ECG 深度學習架構的三世代演進

關鍵發現

三個研究缺口

缺口一：不公平比較協議 — 結果無法互比

缺口二：單一資料集驗證 — 跨資料集泛化未知

缺口三：計算效率分析缺失 — 臨床部署決策無依據

11 Phase 執行摘要

完整缺口分析

缺口一深析：不公平比較的量化影響

缺口二深析：MIT-BIH 偏誤的系統性問題

缺口三深析：計算成本分析的臨床必要性

可行研究題目

題目一（本案例）：系統性基準（可行性最高）

題目二：可解釋性（深化延伸）

題目三：邊緣部署（應用導向）

題目比較矩陣

期刊推薦

競爭態勢警示

主要結果預覽（模擬數據）

DOI 驗證摘要

品質評估與改進空間

目前水準

模擬 Reviewer 意見

升級到 SCI 等級需要

可加強的空間

論文初稿下載

下載完整論文

想把這套方法應用到你的領域？

想看更多 Phase？