这篇发表于arXiv的论文题为《基于领域知识的时间-空间图卷积网络用于心电图识别》，由Wenting Ma等共九位作者完成，提交于2026年7月1日。研究已被ICONIP 2024会议接收，会议地点为新西兰奥克兰，论文收录于Springer出版的LNCS 15290卷，2025年出版，页码为92至106。论文共10页、含5幅图，属于机器学习（cs.LG）与人工智能（cs.AI）交叉方向，MSC分类号为68T07，DOI为10.48550/arXiv.2607.01282，相关出版版本DOI为10.1007/978-981-96-6588-4_7。
论文的出发点在于：尽管人工智能取得显著进展并得到广泛应用，但模型的可解释性问题依然突出，在医疗健康等专业领域尤为明显，心电图（ECG）识别便是典型场景。传统做法多依赖端到端的卷积神经网络，直接从原始信号映射到诊断结果，这类黑箱模型虽然性能可观，却难以说明判断依据，临床医生不易信任，也不利于发现模型错误的来源。作者因此提出一种不同于纯端到端学习的思路：把心电图判读中真正重要的领域知识显式地嵌入网络结构，用基于领域知识的图卷积网络完成识别任务。
具体而言，研究将心电图波形中PRQST各关键标志点作为领域知识引入模型。这些关键点——包括P波、QRS波群与T波等对应的位置——本身就是临床医生解读心电图时的核心依据。模型采用双流有向图结构，同时建模心电图周期内部与周期之间的关系。其中，空间有向图刻画同一心动周期内各关键点之间的位置关系，时间有向图则描述长序列中相邻周期之间的时间依赖，从而把单次心搏的形态信息与连续节律信息结合起来。这种设计使模型不再是不可解释的端到端映射，而是沿着具有明确生理含义的关键点与周期关系进行推理。
在实验方面，作者使用第一届中国心电图智能竞赛数据集进行验证，该数据集要求将心电图分为九个类别。结果显示，模型整体平均F1分数达到88.1%，稀有类别的平均F1分数为76.3%，两项指标均超过当时的最先进模型。特别值得关注的是，引入领域知识确实提升了检测性能，在稀有类别上的改善尤为明显，这说明领域知识的显式注入有助于缓解数据不平衡带来的识别困难。
综合来看，该工作的贡献在于将心电图判读专业知识与图神经网络结构相结合，在提高识别准确率的同时增强了模型的可解释性，为医疗人工智能中如何融合领域知识提供了一个可参考的范式。不过论文摘要与元数据并未给出更多关于数据规模、消融实验细节或跨数据集泛化能力的说明，这些方面仍有待读者查阅全文进一步了解。