追踪心脏通路：基于心脏传导视角的ECG表征学习
机器学习
2026-01-01 v1 人工智能
摘要
多导联心电图（ECG）是心脏诊断的基石。近期心电图自监督学习（eSSL）的进展为在不依赖高质量标注的情况下增强表征学习带来了前景。然而，早期的 eSSL 方法存在一个关键局限：它们关注导联和心拍间的一致模式，忽略了根源于心脏传导过程的心跳固有差异，而细微但重要的变化携带着独特的生理特征。此外，用于 ECG 分析的表征学习应与 ECG 诊断指南保持一致，该指南从单个心跳推进到单个导联，最终到导联组合。然而，在将预训练模型应用于下游任务时，这种顺序逻辑常被忽略。为了解决这些差距，我们提出了 CLEAR-HUG，一个两阶段框架，旨在捕获跨导联的心脏传导细微变化，同时遵循 ECG 诊断指南。在第一阶段，我们引入了一个称为 Conduction-LEAd Reconstructor (CLEAR) 的 eSSL 模型，它捕获跨心拍的特定变化和一般共性。将每个心跳视为一个独立实体，CLEAR 采用一种简单而有效的稀疏注意力机制来重建信号，而不受其他心跳的干扰。在第二阶段，我们实现了一个用于疾病诊断的分层导联统一组头（Hierarchical lead-Unified Group head, HUG），模拟临床工作流程。跨六个任务的实验结果显示了 6.84% 的提升，验证了 CLEAR-HUG 的有效性。这突显了其增强心脏传导表征并将模式与专家诊断指南对齐的能力。
引用
@article{arxiv.2512.24002,
title = {Tracing the Heart's Pathways: ECG Representation Learning from a Cardiac Conduction Perspective},
author = {Tan Pan and Yixuan Sun and Chen Jiang and Qiong Gao and Rui Sun and Xingmeng Zhang and Zhenqi Yang and Limei Han and Yixiu Liang and Yuan Cheng and Kaiyu Guo},
journal= {arXiv preprint arXiv:2512.24002},
year = {2026}
}
备注
Accepted to AAAI2026