BenchECG and xECG: a benchmark and baseline for ECG foundation models
作者: Riccardo Lunelli, Angus Nicolson, Samuel Martin Pröll, Sebastian Johannes Reinstadler, Axel Bauer, Clemens Dlaska
分类: cs.LG, cs.AI
发布日期: 2025-09-12
备注: 32 pages, 4 figures, 22 tables
💡 一句话要点
BenchECG：心电图(ECG)基础模型标准化评测与xECG基线模型
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 心电图 ECG 基础模型 自监督学习 基准测试 xLSTM SimDINOv2 表征学习
📋 核心要点
- 现有ECG基础模型研究缺乏统一的评估标准，数据集和任务选择范围窄，导致模型性能难以公平比较。
- 论文提出BenchECG基准测试，包含全面的公开ECG数据集和多样化任务，用于标准化评估ECG基础模型。
- 论文同时提出了xECG模型，基于xLSTM和SimDINOv2自监督学习，在BenchECG上取得了最佳性能，为未来研究提供基线。
📝 摘要（中文）
心电图(ECG)数据获取成本低廉、应用广泛，非常适合深度学习。近年来，人们对开发能够泛化到各种下游任务的ECG基础模型越来越感兴趣。然而，目前缺乏一致的评估标准：现有工作通常使用狭窄的任务选择和不一致的数据集，阻碍了公平比较。本文提出了BenchECG，这是一个标准化的基准，包含一套全面的公开ECG数据集和多样的任务。同时，提出了xECG，一个基于xLSTM的循环模型，通过SimDINOv2自监督学习进行训练，与公开的SOTA模型相比，实现了最佳的BenchECG分数。特别是，xECG是唯一在所有数据集和任务上表现出色的公开模型。通过标准化评估，BenchECG能够进行严格的比较，旨在加速ECG表征学习的进展。xECG实现了优于早期方法的效果，为未来的ECG基础模型定义了一个新的基线。
🔬 方法详解
问题定义：现有ECG基础模型研究缺乏统一的评估标准，导致模型性能难以公平比较。不同研究使用的数据集和任务各不相同，难以判断模型的泛化能力和实际效果。这阻碍了ECG表征学习的进展，不利于开发更强大的ECG基础模型。
核心思路：论文的核心思路是构建一个标准化的ECG基准测试平台BenchECG，并提供一个高性能的基线模型xECG。BenchECG通过包含多样化的数据集和任务，能够更全面地评估ECG基础模型的性能。xECG则通过先进的xLSTM架构和SimDINOv2自监督学习方法，提升模型的表征能力和泛化性能。
技术框架：整体框架包含两个主要部分：BenchECG基准测试和xECG模型。BenchECG基准测试包含多个公开的ECG数据集，涵盖不同的心律失常类型和临床场景。同时，定义了多种评估任务，包括心律分类、疾病诊断等。xECG模型则采用xLSTM作为核心架构，利用SimDINOv2进行自监督预训练，然后在BenchECG的各个任务上进行微调。
关键创新：论文的关键创新在于提出了BenchECG基准测试，为ECG基础模型的研究提供了一个标准化的评估平台。此外，xECG模型结合了xLSTM和SimDINOv2，在ECG表征学习方面取得了显著的性能提升。xLSTM相比传统LSTM，能够更好地捕捉ECG信号中的长期依赖关系。SimDINOv2则通过自监督学习，提升模型的表征能力，减少对标注数据的依赖。
关键设计：xECG模型采用xLSTM作为循环神经网络的核心组件，以捕捉ECG信号的时序依赖性。SimDINOv2自监督学习框架用于预训练模型，学习ECG信号的通用表征。在具体实现上，论文可能涉及了xLSTM的参数设置、SimDINOv2的训练策略、以及在BenchECG各个任务上的微调策略等细节，但具体参数细节未知。
🖼️ 关键图片
📊 实验亮点
xECG模型在BenchECG基准测试中取得了最佳性能，超越了现有的公开模型。具体性能数据未知，但论文强调xECG是唯一在所有数据集和任务上表现出色的模型，表明其具有强大的泛化能力。BenchECG的提出为ECG基础模型的研究提供了一个公平、客观的评估平台。
🎯 应用场景
该研究成果可广泛应用于心血管疾病的早期诊断、远程监护和个性化治疗。标准化的BenchECG基准测试将加速ECG基础模型的研究进展，推动相关技术在临床实践中的应用。高性能的xECG模型可作为ECG智能分析系统的核心组件，提升诊断准确率和效率，改善患者预后。
📄 摘要（原文）
Electrocardiograms (ECGs) are inexpensive, widely used, and well-suited to deep learning. Recently, interest has grown in developing foundation models for ECGs - models that generalise across diverse downstream tasks. However, consistent evaluation has been lacking: prior work often uses narrow task selections and inconsistent datasets, hindering fair comparison. Here, we introduce BenchECG, a standardised benchmark comprising a comprehensive suite of publicly available ECG datasets and versatile tasks. We also propose xECG, an xLSTM-based recurrent model trained with SimDINOv2 self-supervised learning, which achieves the best BenchECG score compared to publicly available state-of-the-art models. In particular, xECG is the only publicly available model to perform strongly on all datasets and tasks. By standardising evaluation, BenchECG enables rigorous comparison and aims to accelerate progress in ECG representation learning. xECG achieves superior performance over earlier approaches, defining a new baseline for future ECG foundation models.