基于心脏模式引导的双向融合用于半监督ECG分段

准确描绘电心图（ECG），即对有意义波形特征的分段，对心血管诊断至关重要。然而，标注数据稀缺为训练深度学习模型带来了显著挑战。传统的半监督语义分割（SemiSeg）方法主要关注无标签数据的一致性，未充分利用有标签与无标签数据之间可实现的信息交换。为此，我们提出CardioMix框架，基于双向CutMix策略且受心脏模式引导，用于ECG分段。该方法通过心脏模式引导的混合，丰富了标注数据集中来自无标签数据的真实变化，同时为无标签数据集施加更强的监督信号，因为心脏模式引导的混合确保所有增强样本都保持生理上有意义。我们的框架设计为可即插即用模块，显示出与各种SemiSeg算法高度的兼容性。针对SemiSegECG——一个面向ECG描绘的公共多数据集基准——进行了大量实验，结果表明CardioMix作为可与各种SemiSeg算法兼容的可即插即用模块， consistently 在多样化数据集和不同标注比例下超越现有基于CutMix的融合策略。