基于心跳级对比学习的 Beat-ssl：捕获局部 ECG 形态
机器学习
2026-01-23 v1
摘要
获取用于开发监督模型的标记 ECG 数据具有挑战性。对比学习(CL)已成为一种可实现有限标记数据下有效迁移学习的预训练方法。然而，现有 CL 框架要么仅关注全局上下文，要么未充分利用 ECG 特定特征。此外，这些方法依赖硬对比目标，可能不足以捕捉 ECG 信号中特征相似性的连续性。本文提出了 Beat-SSL，一种通过软目标进行双上下文学习的对比学习框架，分别通过节奏级和心跳级对比实现。我们在两个下游任务上评估了预训练模型：1) 用于全局节奏评估的多标签分类，和2) 用于评估其在两种上下文中学习表征能力的 ECG 分段。我们进行了消融研究，并将最佳配置与三种其他方法进行了比较，包括一种 ECG 基础模型。尽管该基础模型在更广泛的预训练中表现更好，Beat-SSL 在多标签分类任务中达到了其 93% 的性能，并在分段任务中超越了所有其他方法 4%。
引用
@article{arxiv.2601.16147,
title = {Beat-ssl: Capturing Local ECG Morphology through Heartbeat-level Contrastive Learning with Soft Targets},
author = {Muhammad Ilham Rizqyawan and Peter Macfarlane and Stathis Hadjidemetriou and Fani Deligianni},
journal= {arXiv preprint arXiv:2601.16147},
year = {2026}
}
备注
Accepted at ISBI 2026