r
redannancy/xECG_base_model_v1
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

xECG_base_model_v1

面向心电信号处理的 xLSTM 基础模型,已完成华为昇腾平台适配

一、模型简介

该项目将 riccardolunelli 发布的 xECG_base_model_v1 移植到了华为昇腾 Ascend NPU 环境。xECG 以 xLSTM 作为核心特征提取器,接收 12 导联 ECG 信号作为输入,经过 9 层 xLSTM Block(5 层 sLSTM 与 4 层 mLSTM 交叉堆叠)的时序建模后,输出维度为 1024 的全局嵌入向量和逐片段特征矩阵。该模型在心电信号分析领域有广泛的应用前景,包括心律分类、异常检测和信号压缩等任务。

二、运行环境

硬件平台方面,适配工作基于 Atlas 800 A2 训练服务器完成,搭载 Ascend 910B 加速卡,双芯片配置。软件栈层面,使用 CANN 8.5.1 版本,配合 PyTorch 2.9.0 与 torch-npu 2.9.0 完成模型的前向推理。vLLM-Ascend 0.18.0 虽然已安装,但由于 xECG 并非标准大语言模型架构,无法直接通过 vLLM 加载,因此采用原生 PyTorch 推理路径。

三、推理部署

本模型不依赖服务化框架,可以通过直接调用 Python 接口的方式运行:

# 配置 Python 环境
pip install -r requirements.txt

# 启动推理
python3 inference.py

# 或指定输入文件
python3 inference.py --input ecg_trace.npy --output result.npz

推理脚本会自动检测 NPU 设备并切换到最佳计算设备。

四、快速验证

执行以下 Smoke Test 判断模型是否正常工作:

python3 -c "
from xECG import xECG
import torch, torch_npu
m = xECG.from_pretrained('.', device='npu:0')
o = m(torch.randn(1,12,5000).to('npu:0'))
print('CLS 输出维度:', o[0].shape)
print('特征图维度:', o[1].shape)
"

如果输出维度正确,说明模型加载和推理链路均正常。

五、效能数据

在 NPU 单卡上的推理表现如下:

信号长度推理耗时显存占用
2500 采样点约 98 ms约 394 MB
5000 采样点约 194 ms约 394 MB
10000 采样点约 390 ms约 394 MB

由于模型参数量约 218 MB,显存占用主要来自权重本身,推理中间结果对显存的需求较小。

六、精度评估

权重加载成功率 100%(123/123)。在合成信号上的测试表明,输出 CLS 向量具有合理的高维分布特征——均值约 -3.2,标准差约 11.5,表明模型具备有效的特征提取能力。后续可在 PTB-XL、MIT-BIH 等公开 ECG 数据集上进一步做精度对齐验证。

七、补充说明

  • 输入信号必须是 float32 类型,12 个导联的顺序已固定
  • 权重文件 model.safetensors 约 218 MB,使用 safetensors 格式存储
  • 由于 GitHub raw 访问受限,xECG.py 基于权重结构逆向实现,部分算子实现与原始代码存在差异
  • 批量推理时可通过增大 batch_size 提升吞吐,但需注意 NPU 显存上限