CoRe-ECG：通过对比与重构协同作用提升12导联ECG的自监督表征学习
人工智能
2026-04-14 v1 机器学习
摘要
ECG的准确解释由于标注数据稀缺和专家标注成本高而具有挑战性。自监督学习(SSL)通过使模型从无标签信号中学习表达来提供可行解决方案。现有的ECG SSL方法通常仅依赖对比学习或重构学习。然而，单一方法的孤立存在会导致监督信号有限，并受额外限制，包括naive增广引入的非生理性扰动以及模型可能利用的跨多个导联的平凡相关性作为捷径。在本工作中，我们提出CoRe-ECG，一种统一的对比和重构预训练范式，通过全局语义建模与局部结构学习之间的协同互动。CoRe-ECG在重构期间对齐全局表示，使实例级判别信号引导局部波形恢复。为进一步增强预训练，我们引入基于频率域重要性的自适应扰动ECG信号的Frequency Dynamic Augmentation(FDA)，以及打破跨导联线性依赖性的Spatio-Temporal Dual Masking(STDM)，增加重构任务的难度。我们的方法在多个下游ECG数据集上实现了最先进的性能。消融研究进一步证明了每个组件的必要性和互补性。该方法为ECG分析提供了一个稳健且具有生理意义的表征学习框架。
引用
@article{arxiv.2604.11359,
title = {CoRe-ECG: Advancing Self-Supervised Representation Learning for 12-Lead ECG via Contrastive and Reconstructive Synergy},
author = {Zehao Qin and Xiaojian Lin and Ping Zhang and Hongliang Wu and Xinkang Wang and Guangling Liu and Bo Chen and Wenming Yang and Guijin Wang},
journal= {arXiv preprint arXiv:2604.11359},
year = {2026}
}