ECG-aBcDe：克服模型依赖性，将 ECG 编码为适用于任意 LLM 的通用语言
人工智能
2025-09-17 v1
摘要
大语言模型（LLM）在心电图（ECG）分析方面展现出巨大潜力，但在可迁移性、时标信息学习和可解释性方面仍面临挑战。现有方法受限于特定模型的 ECG 编码器，阻碍了其在不同 LLM 之间的迁移。此外，由于 Transformer 的局限性，LLM 难以捕捉 ECG 中固有的关键时标信息。且其黑盒性质限制了临床应用。为了解决这些局限性，我们引入了 ECG-aBcDe，一种新颖的 ECG 编码方法，可将 ECG 信号转换为任何 LLM 均可轻易解释的通用 ECG 语言。通过构建 ECG 语言与自然语言的混合数据集，ECG-aBcDe 能够直接对预训练的 LLM 进行微调，无需架构修改，实现了“一次构建，随处使用”的能力。此外，ECG-aBcDe 在 ECG 与 ECG 语言之间的双向可转换性允许从 ECG 信号中提取注意力热图，显著增强了可解释性。最后，ECG-aBcDe 显式表示了时标信息，缓解了 Transformer 的局限性。这项工作提出了将 ECG 分析与 LLM 集成的新范式。与现有方法相比，我们的方法在 ROUGE-L 和 METEOR 上取得了具有竞争力的性能。值得注意的是，它在 BLEU-4 上取得了显著提升，在数据集内和跨数据集评估中分别提升了 2.8 倍和 3.9 倍，达到了 42.58 和 30.76 的分数。这些结果为新范式的可行性提供了有力证据。
引用
@article{arxiv.2509.12625,
title = {ECG-aBcDe: Overcoming Model Dependence, Encoding ECG into a Universal Language for Any LLM},
author = {Yong Xia and Jingxuan Li and YeTeng Sun and Jiarui Bu},
journal= {arXiv preprint arXiv:2509.12625},
year = {2025}
}
备注
14pages, 6 figures