桥接ECG基础模型性能差距：一种后训练策略
机器学习
2026-01-30 v2 人工智能
应用统计
摘要
ECG基础模型因其跨任务适应性而日益受到欢迎。然而，由于其在大型ECG数据集上预训练后，再针对目标数据进行微调，其临床应用往往受限于与任务特定模型之间的性能差距。这种限制可能源于缺乏有效的后训练策略。本文提出一种简单而有效的后训练方法，以增强ECG基础模型。在公开可用的基于Transformer的基础模型上进行评估。跨多个ECG任务的实验表明，我们的方法在基线微调方面持续优于，且在PTB-XL基准测试中，宏观AUROC提升0.7%-8.9%，宏观AUPRC提升23.3%-77.9%，也超过了包括任务特定模型和先进架构在内的几种最新SOTA方法。进一步分析表明，我们的方法在训练动力学和数据效率方面表现更佳，仅需30%的训练数据即可超越在完整数据集上训练的基线。消融研究突显随机深度和预览线性探测的重要性。这些发现凸显了后训练策略在提升ECG基础模型方面的潜力，并期待本工作为ECG领域的基础模型持续发展作出贡献。
关键词
引用
@article{arxiv.2509.12991,
title = {Bridging Performance Gaps for ECG Foundation Models: A Post-Training Strategy},
author = {Ya Zhou and Yujie Yang and Xiaohan Fan and Wei Zhao},
journal= {arXiv preprint arXiv:2509.12991},
year = {2026}
}
备注
A Transformer-based model is used as an example; the proposed post-training strategy may also be applicable to CNN-based models. The manuscript is currently under review