企业官网建设流程全解析

READING YOUR HEART

研究背景与动机

现有心电自监督学习分为对比学习、重构学习两类，但全部把心电当做普通时序信号，采用固定窗口、固定步长切割波形，存在两个核心缺陷：

1. 丢失心电专属形态、节律特征
2. 破坏心跳间潜在语义关系

为了解决这两个问题，作者提出了完整的自监督学习框架HeartLang，把单词心跳当做单词，把连续心律当做句子，从心跳形态、全局节律两层学习通用表征

数据集与实验任务

1. 预训练数据集：MIMIC-IV：原始采样率500Hz，同一下下采样至100Hz，划分9:1训练和验证集
2. 下游测试数据集：PTB-XL CSPC2018 CSN
3. 评价指标：macro AUC；设置1%，10%，100%三种标注比例，验证小样本泛化能力。

架构图与核心方法

整体框架图分为四步：

1. QRS-Tokenizer从原始心电信号生成心电句子
2. 向量量化构建心电词库
3. 掩码心电句子预训练
4. 下游任务微调
   
   下面对四步进行详解：

• QRS-Tokenizer ：基于 QRS 波定位自适应分割心跳：先带通滤波 + Ricker 小波积分检测每个 QRS 波峰，以 QRS 为中心截取单心跳片段（单心电单词）；心率自适应拼接为心电句子，长度上限 256，不足补零、过长截断。区别于固定窗口，完全贴合心跳生理边界。
• ST-ECGFormer：专门为心电设计的Transformer编码器，一维卷积将单心跳映射为高维Token，可学习空间嵌入+时序嵌入+位置嵌入，融合导联空间、时序上下文信息。
• VQ-HBR 向量量化心跳重构（形态层级表征学习）
  构建超大离散心电词表 V（8192 个通用心电单词）：用余弦相似度将不同人相似心跳映射至同一词向量，消除个体生理差异；通过 Transformer 解码器还原原始心电，MSE 量化重构损失训练词库，学习心跳形态特征。
• 掩码心电句子预训练（节律层级表征学习）
  随机 50% 掩码句子内的心跳单词，基于未掩码上下文预测被掩码心跳对应的词表索引，交叉熵损失建模心跳间上下文语义，捕捉全局心律依赖。

实验结果与结论

线性微调的实验结果：
在 PTB-XL 全部四类心电任务下，HeartLang 在 1%/10%/100% 标注数据下 AUC 全面超越所有对比自监督方法，相比第二名平均提升 8.14；尤其在心电形态、节律分类任务提升超 9.85

局限性与发展

优势

• 生理贴合：完全基于心电 QRS 波生理结构建模，不粗暴均等切分信号，保留形态 + 节律双层医学特征；
• 泛化性强：超大词库 + 时空 Transformer，小样本场景提升明显，适配 1 导联至 12 导联各类设备；
• 通用性：预训练表征可适配心律失常、心肌病变等上百种心电下游诊断任务；
• 开源可复现：数据集、代码全部公开，提供完整超参、数据集划分方案。

局限性：

• QRS-Tokenizer 依赖清晰完整的 QRS 波形，畸形、碎裂 QRS 波识别效果差；
• 基线漂移严重的数据集，零填充会破坏原始心跳基线特征，性能下降；
• 词库训练、掩码预训练双阶段流程，算力开销较大，需要多卡 4090 训练；
• 仅基于单一心电模态，未融合血氧、血压等多生理信号。

未来拓展方向：

• 优化 QRS 分词器，增强基线漂移、畸形 QRS 波形下分割鲁棒性；
• 轻量化网络与近似量化算法，降低 VQ 词库训练算力消耗；
• 融合多模态生理信号（心电 + 血压 + 血氧）构建多模态心电语言模型；
• 拓展零样本、少样本心电诊断，适配基层缺少标注医疗场景；
• 基于心电词库做生成任务，生成仿真心电辅助医疗教学与数据增广。

github地址：论文源码地址