CREMA：面向临床域的鲁棒心电图诊断的对比正则化掩码自编码器
机器学习
2025-08-22 v3 人工智能
信号处理
摘要
心电图(ECG)诊断因标注数据有限以及需捕捉节律和形态学中细微且临床意义的变化而具有挑战性。我们提出CREMA(Contrastive Regularized Masked Autoencoder)，一种为12导联ECG设计的基础模型，通过自监督预训练学习可泛化的表征。CREMA融合生成式学习与对比正则化，采用对比正则化MAE损失，并采用Signal Transformer(SiT)架构捕获局部波形细节与全局时序依赖。我们在基准数据集和真实临床环境中评估了CREMA，包括显著分布迁移的部署场景。CREMA在线性探测和微调评估中均优于监督基线和现有自监督模型。值得注意的是，在多样化的临床域（如急诊护理）中，CREMA均能保持卓越的性能，凸显其在真实世界条件下的鲁棒性。这些结果表明，CREMA作为ECG诊断的可扩展且可靠的基础模型，支持其在异构和高风险临床环境中的下游应用。
引用
@article{arxiv.2407.07110,
title = {CREMA: A Contrastive Regularized Masked Autoencoder for Robust ECG Diagnostics across Clinical Domains},
author = {Junho Song and Jong-Hwan Jang and DongGyun Hong and Joon-myoung Kwon and Yong-Yeon Jo},
journal= {arXiv preprint arXiv:2407.07110},
year = {2025}
}
备注
10 pages