面向 ECG 生物标志物分割的半监督语义分割基准：SemiSegECG
计算机视觉与模式识别
2025-08-06 v2 人工智能
机器学习
信号处理
摘要
电生理图 (ECG) 生物标志物分割是对有意义波形特征的分割，对临床诊断至关重要。尽管近期进步显著，但进展受限于公开可用的标注数据稀缺。半监督学习通过利用大量未标注的 ECG 数据，为解决这一挑战提供了可行的途径。本研究提出了 SemiSegECG，即首个针对 ECG 生物标志物分割的半监督语义分割 (SemiSeg) 系统化基准。我们整合了多个公开数据集，包括以前未被充分利用的资源，以支持稳健且多样化的评估。我们采用了计算机视觉中的五个代表性 SemiSeg 算法，在两种不同的架构上实现它们：卷积网络和变换器，并在两种不同设置下对其进行评估：同域评估和跨域评估。此外，我们提出了 ECG 特有的训练配置和数据增强策略，并引入了标准化的评估框架。我们的结果表明，变换器在半监督 ECG 生物标志物分割方面优于卷积网络。我们预计 SemiSegECG 将为推动半监督 ECG 生物标志物分割方法的发展奠定基础，并促进该领域的进一步研究。
引用
@article{arxiv.2507.18323,
title = {SemiSegECG: A Multi-Dataset Benchmark for Semi-Supervised Semantic Segmentation in ECG Delineation},
author = {Minje Park and Jeonghwa Lim and Taehyung Yu and Sunghoon Joo},
journal= {arXiv preprint arXiv:2507.18323},
year = {2025}
}
备注
Accepted by CIKM 2025. The code is available at https://github.com/bakqui/semi-seg-ecg