日本語タイトル#
ポリウィンドウ対比学習による ECG 表現の学習
英文タイトル#
Learning ECG Representations via Poly-Window Contrastive Learning
日本語摘要#
心電図（ECG）分析は心血管疾患診断の基礎ですが、深層学習モデルの性能は通常、注釈データへの限られたアクセスによって制約されています。自己教師あり対比学習は、ラベルのない信号から堅牢な ECG 表現を学ぶための強力なアプローチとして浮上しています。しかし、既存のほとんどの方法はペアの強化ビューのみを生成し、ECG 記録の豊富な時間的構造を活用できていません。本研究では、ポリウィンドウ対比学習フレームワークを提案します。各 ECG インスタンスから複数の時間的ウィンドウを抽出して正のペアを構築し、統計を通じてそれらの一致を最大化します。遅い特徴分析の原理に触発されて、私たちのアプローチはモデルが時間的に不変で生理的に意味のある特徴を学ぶことを明示的に奨励します。PTB-XL データセットにおいて広範な実験と消融研究を通じて私たちのアプローチを検証しました。結果は、ポリウィンドウ対比学習が多ラベル超クラス分類において従来の二視点法を常に上回り、より高い AUROC（0.891 vs. 0.888）および F1 スコア（0.680 vs. 0.679）を達成し、必要な事前学習エポックを最大で 4 倍削減（32 vs. 128）し、総壁時計事前学習時間を 14.8% 削減することを示しています。各サンプルが複数のウィンドウを処理しているにもかかわらず、トレーニングエポック数と総計算時間の大幅な削減を実現し、私たちの方法は基礎モデルのトレーニングに適しています。広範な消融実験を通じて、最適な設計選択を特定し、さまざまなハイパーパラメータにわたるロバスト性を示しました。これらの発見は、ポリウィンドウ対比学習を自動化された ECG 分析の非常に効率的でスケーラブルなパラダイムとして確立し、生物医学的時間系列データにおける自己教師あり表現学習のための有望な一般的フレームワークを提供します。
英文摘要#
Electrocardiogram (ECG) analysis is foundational for cardiovascular disease diagnosis, yet the performance of deep learning models is often constrained by limited access to annotated data. Self-supervised contrastive learning has emerged as a powerful approach for learning robust ECG representations from unlabeled signals. However, most existing methods generate only pairwise augmented views and fail to leverage the rich temporal structure of ECG recordings. In this work, we present a poly-window contrastive learning framework. We extract multiple temporal windows from each ECG instance to construct positive pairs and maximize their agreement via statistics. Inspired by the principle of slow feature analysis, our approach explicitly encourages the model to learn temporally invariant and physiologically meaningful features that persist across time. We validate our approach through extensive experiments and ablation studies on the PTB-XL dataset. Our results demonstrate that poly-window contrastive learning consistently outperforms conventional two-view methods in multi-label superclass classification, achieving higher AUROC (0.891 vs. 0.888) and F1 scores (0.680 vs. 0.679) while requiring up to four times fewer pre-training epochs (32 vs. 128) and 14.8% in total wall clock pre-training time reduction. Despite processing multiple windows per sample, we achieve a significant reduction in the number of training epochs and total computation time, making our method practical for training foundational models. Through extensive ablations, we identify optimal design choices and demonstrate robustness across various hyperparameters. These findings establish poly-window contrastive learning as a highly efficient and scalable paradigm for automated ECG analysis and provide a promising general framework for self-supervised representation learning in biomedical time-series data.
文章ページ#
PDF 获取#
抖音でさらに素晴らしいコンテンツを見るには QR コードをスキャンしてください