基于联合嵌入预测架构的12导联心电图通用表征学习
机器学习
2026-04-13 v5 人工智能
摘要
心电图 (ECG) 捕捉心脏的电信号，为诊断心脏疾病提供了有价值的信息。然而，标注数据稀缺使得在医学领域充分利用监督学习具有挑战性。自监督学习 (SSL) 提供了可行的解决方案，使模型能够从无标签数据中学习并揭示有意义的模式。本文表明，潜在空间中的遮蔽建模是ECG领域现有自监督方法的强大替代方案。我们引入ECG-JEPA，这是一种用于12导联心电图分析的SSL模型，通过预测隐藏潜在空间中的语义表征来学习ECG数据的表示，从而无需重构原始信号。该方法在ECG领域具有多个优势：(1)避免产生常见于ECG的无关细节，如噪声；(2)解决原始信号之间简单L2损失的局限性。另一个关键贡献是引入交叉模式注意力 (Cross-Pattern Attention, CroPA)，这是一种针对12导联ECG数据设计的专用遮蔽注意力机制。ECG-JEPA在约18万样本的多个公开ECG数据集上进行训练，在各种下游任务中实现了最先进的性能，包括诊断分类、特征提取和分割。我们的代码已公开发布于 https://github.com/sehunfromdaegu/ECG_JEPA。
引用
@article{arxiv.2410.08559,
title = {Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture},
author = {Sehun Kim},
journal= {arXiv preprint arXiv:2410.08559},
year = {2026}
}
备注
ECG segmentation experiments are added. Comparison with recent ECG foundation models are added