面向多场景心电图监测的导联自适应自监督表示模型

《Biomedical Signal Processing and Control》：Lead-adaptive self-supervised ECG representation model for multi-scenario ECG monitoring

　　

摘要 背景
心电图（ECG）是早期检测心血管疾病的关键无创工具。然而，由于信号复杂、医疗资源有限以及监测环境异质性，心电图解读仍具挑战性。大多数深度学习模型仍针对特定任务和固定导联配置设计，限制了其在临床和可穿戴心电图场景中的迁移能力。
目标
本研究旨在开发一种导联自适应自监督心电图表示模型，支持在代表性任务和导联配置之间进行可迁移分析。
方法
所提模型遵循两阶段框架。首先，基于 VQ-VAE 的心电图分词器将原始心电图片段转换为具有形态感知能力的波形令牌，并整合补丁和导联时间位置编码以保留时空上下文。其次，掩码自编码器（MAE）从无标签数据中提取丰富表示，并通过一种新颖的自适应导联训练算法实现跨不同导联配置的泛化。
结果
在 178,602 条多中心心电图记录上进行预训练后，模型在代表性 1 导联、3 导联、8 导联和 12 导联设置下的九个下游心电图任务中进行了评估。与纯 MAE 基线相比，其在广泛多标签、形态相关和节律相关分类上的平均宏观 F1 分数分别提高了 2.56、4.85 和 12.80 分。消融分析进一步支持了心电图分词和导联自适应预训练的贡献。
结论
所提模型改善了所评估心电图监测场景中的表示迁移能力。通过为智能心电图分析提供鲁棒的表示骨干网络，它为临床心电图解读和可穿戴心电图监测提供了一种可迁移的技术解决方案，并可能减少为每个任务和导联配置开发单独模型的需求。

引言
心血管疾病（CVDs）仍然是重大的全球健康负担。《2024 年全球疾病负担研究》[1] 警告称，从 2025 年到 2050 年，全球心血管死亡人数可能激增 73.4%，到本世纪中叶达到惊人的 3560 万例死亡，使其巩固为人类的头号杀手地位。心电图作为一种便携、无创且经济的心脏检查技术，对于早期检测心血管疾病和减轻疾病危害至关重要，因此对于初级保健和高风险人群监测不可或缺。
然而，心电图分析面临两个相互关联的挑战，阻碍了其广泛应用。在实际应用方面，分析复杂度高和医疗资源分布不均限制了专业心电图解读的可及性——尤其是在资源匮乏的初级保健环境中 [2], [3]。在技术方面，传统的自动心电图分析方法缺乏跨多种监测场景的泛化能力：随着可穿戴心电图设备现在支持单导联、三导联、八导联和标准 12 导联配置 [4], [5], [6], [7], [8]。这些设置不仅在可用信号信息的数量上不同，而且在心脏电活动的空间投影上也不同。因此，针对固定导联配置开发的模型可能在观察导联发生变化时无法保持稳定的表示，突显了对可跨不同监测场景迁移的心电图表示的需求。
深度学习通过用数据驱动的表示取代手工设计的特征，改善了自动心电图分析。然而，许多心电图深度学习模型仍然遵循单任务、单模型范式 [9]。这类模型通常针对固定标签空间和固定导联配置进行训练，这限制了它们在任务和监测场景中的重复利用。自监督学习（SSL）提供了一种有前途的替代方案，因为它可以在任务特定微调之前利用大规模无标签心电图数据。现有心电图 SSL 方法已显示出令人鼓舞的结果，但其中许多依赖于通用增强或直接适应图像和语言建模框架 [10], [11], [12]，对心电图形态和依赖导联的空间上下文建模有限。
为了解决这一差距，我们提出了一种用于多场景心电图监测的导联自适应自监督心电图表示模型。如图 1 所示，所提方法采用两阶段架构：首先，通过基于 VQ-VAE 模型的心电图分词学习波形嵌入，捕获原始心电图信号的语义表示。这些嵌入进一步通过补丁和位置编码进行丰富，以保留空间 - 时间上下文。在第二阶段，我们采用掩码自编码器（MAE）进行自监督学习，并结合导联自适应策略以提高变导联配置下的表示学习。该模型在一个大规模多中心心电图数据集上进行预训练，从无标签心电图信号中学习可重用表示。
本研究的核心前提是可以将使用不同导联配置获取的心电图记录视为相同潜在心脏电活动的不同空间投影。因此，有效的心电图表示不仅要保留局部波形形态，还要将不同的观察导联视图对齐到共享的、导联感知的潜在空间。我们通过引入形态感知的心电图分词和导联自适应掩码自监督预训练来检验这一前提，并评估学习到的表示是否在代表性心电图导联设置下改善了下游任务。
主要贡献如下：
1. 我们开发了一种基于 VQ-VAE 的心电图波形分词器，为连续心电图片段提供形态感知的局部嵌入。
2. 我们提出了一种导联自适应掩码预训练框架，用于跨不同导联组合进行自适应表示学习，使模型能够在重构归一化原始心电图补丁的同时整合导联特定的空间上下文并保持跨导联表示一致性。
3. 我们在九个下游心电图任务和代表性导联配置下进行了全面评估，为所提预训练心电图表示模型的有效性和实际边界提供了证据。
本文其余部分组织如下。第 2 节回顾心电图表示学习和自监督心电图建模的相关工作。第 3 节描述所提的心电图到令牌模块和导联自适应自监督预训练方法。第 4 节介绍数据集、实验设置、主要结果和额外分析。第 5 节总结本研究的局限性，第 6 节得出结论并提出未来方向。

章节片段 相关工作
在模式识别中，“表示”将原始数据转换为紧凑的、信息丰富的向量，突出关键模式，形成自动诊断和智能决策的骨干 [13], [14]。心电图表示学习传统上依赖于信号处理和手工设计的特征，如小波变换、QRS 检测、节律统计和心率变异性分析 [15], [16], [17], [18], [19]。这些方法具有临床意义且

概览
我们提出了一种导联自适应预训练心电图表示模型，将多导联心电图信号转换为令牌序列，并通过自监督掩码重构学习鲁棒表示。该框架包含三个组件：心电图到令牌转换、基于 Transformer 的编码和导联自适应自监督预训练。
如图 2 所示，对于来自不同导联组合的心电图，我们将其转换为包含原始信号、波形特征和导联的令牌

实验
在本节中，我们设计了多个实验来验证和分析心电图表示模型的有效性。具体来说，在第 4.1 节中，我们介绍实验设置，包括预训练数据集、下游任务数据集、评估指标等。在第 4.2 节中，我们展示了模型在各种场景下九个任务中的性能，而在第 4.3 节中进行消融实验以分析模型的合理性。

局限性
本研究中最强的证据在于面向分类的心电图表示迁移，特别是形态相关和节律相关的心电图疾病分类。然而，心电图表示也可以支持更广泛的跨系统疾病筛查 [44], [45], [46]，这些在本工作中未明确设计或评估。此外，QRS 定位和心率估计等精确时间任务可能受益于超出当前范围的专门目标或解码器结构

结论与未来工作
本研究提出了一种用于多场景心电图监测的导联自适应心电图表示模型。通过结合 VQ 引导的波形分词、掩码重构和导联自适应预训练，该模型学习了可在多个下游任务和导联配置之间微调的心电图表示。
在九个下游任务上的实验表明，所提模型相比当前方法和消融变体改善了心电图分析，特别是对于形态和节律相关

代码可用性
本文所提模型的训练代码可在 GitHub 仓库获得：https://github.com/AI4Medicine-SJTU/Unified_ECG_MAE.

伦理声明
本研究中的所有心电图数据均来自公开可用的数据集，这些数据已获得相关机构审查委员会的事先伦理批准并获得了受试者的知情同意。本研究不涉及新的人类受试者，不需要额外的伦理审查，并严格遵守受试者隐私保护要求。

CRediT 作者贡献声明
李智远：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，软件，方法论，调查，形式分析，概念化。
田媛媛：写作 – 审阅与编辑，写作 – 原稿撰写，验证，方法论，数据管理。
魏晓阳：写作 – 审阅与编辑，调查，概念化。
王梦晓：写作 – 原稿撰写，可视化，方法论，调查。
金燕蕊：写作 – 审阅与编辑，软件，资源，

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系，这些关系可能会影响本报告中所述工作的公正性。

致谢
本文受国家自然科学基金（编号：62406190，编号：T25B2002）、国家博士后创新人才计划（编号：BX20230215）、中国博士后科学基金（编号：2023M732219）、上海市科技重大专项（编号：2021SHZDZX0102）支持。

李智远 | 田媛媛 | 魏晓阳 | 王梦晓 | 金燕蕊 | 石泽华 | 唐晓涵 | 刘雨纯 | 赵立群 | 刘承亮