感受心跳的掩码自编码器：揭示 ECG 分析中的简单偏差
信号处理
2025-07-29 v4 人工智能
机器学习
摘要
心电图（ECG）的诊断价值在于其动态特征，从心律波动到细微的波形变形，均随时间和频率域的演变而变化。然而，监督式 ECG 模型倾向于过拟合dominant且重复出现的模式，忽略细粒度但临床关键线索，这被称为简单偏差（Simplicity Bias，SB），即模型偏好学习容易掌握的信号，而非细微但信息丰富的信号。本文首先经验性地证明了 SB 在 ECG 分析中的存在及其对诊断性能的负面影响，同时发现自监督学习（SSL）可缓解该偏差，为解决该问题提供了可行的方向。基于 SSL 范式，我们提出了一种新方法，包含两个关键组件：1）时频感知滤波器，用于捕获反映 ECG 信号动态特征的时频特征；2）基于此，构建多粒度原型重构，以实现双域（时域与频域）中的粗粒度与细粒度表征学习，进一步缓解 SB。为推进 ECG 领域的 SSL 应用，我们构建了大型多中心 ECG 数据集，包含来自300多个临床中心的153万例心电图记录。在六个 ECG 数据集上的三个下游任务实验表明，我们的方法有效降低了 SB，实现了最先进的性能。
引用
@article{arxiv.2506.22495,
title = {Masked Autoencoders that Feel the Heart: Unveiling Simplicity Bias for ECG Analyses},
author = {He-Yang Xu and Hongxiang Gao and Yuwen Li and Xiu-Shen Wei and Chengyu Liu},
journal= {arXiv preprint arXiv:2506.22495},
year = {2025}
}
备注
Revised Version 4