模型名称: riccardolunelli/xECG_base_model_v1(xECG:ECG 心电图基础模型,xLSTM 架构) 模型链接: https://huggingface.co/riccardolunelli/xECG_base_model_v1 论文: BenchECG and xECG: A benchmark and baseline for ECG foundation models 模型描述: xECG 是 ECG 心电图基础模型(xLSTM 架构)。输入 12 导联心电信号(顺序 i, ii, iii, avr, avl, avf, v1~v6,缺失导联置零,采样率 100Hz),输出 patch 集合与池化嵌入表示(1024 维),可用于下游分类/回归任务。 模型架构: xECG(LinearPatchEmbedding 分块嵌入 + xLSTMBlockStack:9 层 xLSTM(sLSTM/mLSTM 混合),patch_size 25,embedding 1024) 参数规模: ~212MB(model.safetensors 228,099,912 字节,57.0M params) 适配引擎: torch_npu(昇腾 NPU 推理引擎)
| 依赖项 | 版本 | 说明 |
|---|---|---|
| torch | 2.9.0 | |
| torch_npu | 2.9.0.post1 | |
| xlstm | 2.0.4 | xLSTM 核心库(sLSTM/mLSTM) |
| fastapi / uvicorn / pydantic | - | 服务化推理(server.py) |
注:本模型是 PytorchModelHubMixin 格式(
xECG.from_pretrained),权重与代码(xECG.py/downstream_models.py)放/tmp/xECG_base_model_v1/。
# 随机 12 导联 5 秒信号 → 嵌入(默认 npu:0)
python inference.py --device npu:0
# 自定义时长
python inference.py --duration 10 --device npu:0推理流程:xECG.from_pretrained(local_dir) → model.to('npu:0').eval() → 构造 x (1, seq_len, 12) → model(x) → (patches, pooled)。
以下输出为在昇腾 Ascend 910(CANN 8.5.1 + torch_npu 2.9.0 + xlstm 2.0.4)上实测获得(随机 12 导联 5 秒信号,采样率 100Hz,500 采样点)。
命令:
python inference.py --device npu:0 --duration 5
输出:
[INFO] 模型加载完成: xECG (57.0M params, device=npu:0) [INFO] 输入信号: (1, 500, 12)(5s @ 100Hz, 12 导联) [结果] patches shape: (1, 1024) [结果] pooled shape: (1, 20, 1024)(嵌入表示 1024 维) [结果] pooled 前 8 维: ['0.8250', '3.6567', '2.3420', '2.5351', '1.5481', '-0.1861', '-0.3643', '-0.2025'] [耗时] 0.359s(500 采样点)
结果说明: 12 导联心电信号输入,xECG 输出 1024 维嵌入(patches + pooled 表示),0.359s 完成,验证了 xECG_base_model_v1 在昇腾 NPU 上的 ECG 信号嵌入推理链路通畅。

python server.py --port 8000 --device npu:0接口:
GET /health → {"status":"ok","model":"riccardolunelli/xECG_base_model_v1","device":"npu:0","loaded":true}POST /encode(JSON:{"signal":[[...12 导联...], ...], "duration":5},signal 缺省用随机)→ {"patches_shape":[...], "pooled_shape":[...], "pooled_head":[...], "elapsed_s":...}实测(服务化):
POST /encode(duration 3 随机信号)→ {"patches_shape":[1,1024],"pooled_shape":[1,12,1024],"pooled_head":[0.2425,0.3421,...],"elapsed_s":0.34}/tmp/xECG_base_model_v1/(model.safetensors 212MB + xECG.py + downstream_models.py + config),避免占用有限的 /opt 空间,不纳入本仓库CUDA_LIB 环境变量),NPU 上需把 config backend 改为 "vanilla"(纯 PyTorch 实现,无 CUDA 依赖)_recurrent_kernel_ 布局 [heads, gates×head_dim, head_dim],vanilla 为 [heads, head_dim, gates×head_dim],加载需 permute(0,2,1)(官方 xECG.py 的 load_checkpoint 中注释掉该适配,from_pretrained 走 HubMixin 的 load_state_dict 不经过它,inference.py/server.py 内 monkey-patch 补上)['i', 'ii', 'iii', 'avr', 'avl', 'avf', 'v1', 'v2', 'v3', 'v4', 'v5', 'v6'],不足 12 导联补零sampling_freq)