Beat-ssl: Capturing Local ECG Morphology through Heartbeat-level Contrastive Learning with Soft Targets

📄 arXiv: 2601.16147v1 📥 PDF

作者: Muhammad Ilham Rizqyawan, Peter Macfarlane, Stathis Hadjidemetriou, Fani Deligianni

分类: cs.LG

发布日期: 2026-01-22

备注: Accepted at ISBI 2026

💡 一句话要点

Beat-SSL：通过心跳级对比学习和软目标捕获局部ECG形态

🎯 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: ECG分析 对比学习 软目标 心律失常检测 ECG分割 双重上下文学习 迁移学习

📋 核心要点

  1. 现有对比学习方法在ECG分析中，要么侧重全局信息，要么忽略ECG信号的独特性，且依赖硬目标对比。
  2. Beat-SSL通过节律和心跳双重上下文对比学习，并引入软目标，更准确地捕捉ECG信号的连续特征相似性。
  3. 实验表明，Beat-SSL在ECG分割任务上超越其他方法4%，并在多标签分类任务中达到ECG基础模型93%的性能。

📝 摘要（中文）

获取带标签的ECG数据以开发监督模型极具挑战性。对比学习(CL)已成为一种有前景的预训练方法，它能够通过有限的带标签数据实现有效的迁移学习。然而，现有的CL框架要么只关注全局上下文，要么未能利用ECG的特定特征。此外，这些方法依赖于硬对比目标，这可能无法充分捕捉ECG信号中特征相似性的连续性。在本文中，我们提出了一种对比学习框架Beat-SSL，该框架通过节律级别和心跳级别的对比以及软目标执行双重上下文学习。我们在两个下游任务上评估了我们的预训练模型：1) 用于全局节律评估的多标签分类，以及 2) ECG分割，以评估其跨上下文学习表示的能力。我们进行了一项消融研究，并将最佳配置与其他三种方法进行了比较，包括一个ECG基础模型。尽管基础模型具有更广泛的预训练，但Beat-SSL在多标签分类任务中达到了其93%的性能，并在分割任务中超过了所有其他方法4%。

🔬 方法详解

问题定义：论文旨在解决ECG数据中带标签样本稀缺的问题，并提升对比学习在ECG分析中的性能。现有方法的痛点在于，它们要么只关注全局节律信息，忽略局部心跳形态；要么使用硬对比目标，无法充分利用ECG信号中特征相似性的连续性。

核心思路：论文的核心思路是结合全局节律和局部心跳信息进行对比学习，并使用软目标来更精确地衡量样本之间的相似度。通过双重上下文学习，模型能够更好地理解ECG信号的整体结构和局部细节。软目标的使用使得模型能够学习到更丰富的特征表示。

技术框架：Beat-SSL框架包含两个主要的对比学习分支：节律级别对比和心跳级别对比。这两个分支共享一个编码器，用于提取ECG信号的特征表示。在节律级别对比中，模型学习区分不同的心律失常类型。在心跳级别对比中，模型学习区分不同的心跳形态。最终，两个分支的损失函数被加权求和，用于训练整个模型。

关键创新：Beat-SSL的关键创新在于：1) 提出了双重上下文对比学习，同时考虑了ECG信号的全局节律和局部心跳信息；2) 使用软目标来衡量样本之间的相似度，从而更准确地捕捉ECG信号的连续特征相似性。

关键设计：论文使用了ResNet作为编码器，用于提取ECG信号的特征表示。在对比学习过程中，使用了InfoNCE损失函数。软目标是通过计算样本之间的余弦相似度来生成的。两个对比学习分支的损失函数权重是通过实验调整的。具体数值未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Beat-SSL在ECG分割任务上取得了显著的性能提升，超越了所有对比方法4%。在多标签分类任务中，Beat-SSL达到了ECG基础模型93%的性能，这表明该方法在利用有限数据的情况下，能够学习到具有竞争力的特征表示。消融实验验证了双重上下文对比学习和软目标设计的有效性。

🎯 应用场景

Beat-SSL具有广泛的应用前景，可用于心律失常检测、ECG信号分割、心脏疾病诊断等领域。该方法能够有效利用未标记的ECG数据，降低对带标签数据的依赖，从而加速ECG分析模型的开发和部署。未来，该方法可以应用于远程医疗、可穿戴设备等场景，实现对心脏健康的实时监测和预警。

📄 摘要（原文）

Obtaining labelled ECG data for developing supervised models is challenging. Contrastive learning (CL) has emerged as a promising pretraining approach that enables effective transfer learning with limited labelled data. However, existing CL frameworks either focus solely on global context or fail to exploit ECG-specific characteristics. Furthermore, these methods rely on hard contrastive targets, which may not adequately capture the continuous nature of feature similarity in ECG signals. In this paper, we propose Beat-SSL, a contrastive learning framework that performs dual-context learning through both rhythm-level and heartbeat-level contrasting with soft targets. We evaluated our pretrained model on two downstream tasks: 1) multilabel classification for global rhythm assessment, and 2) ECG segmentation to assess its capacity to learn representations across both contexts. We conducted an ablation study and compared the best configuration with three other methods, including one ECG foundation model. Despite the foundation model's broader pretraining, Beat-SSL reached 93% of its performance in multilabel classification task and surpassed all other methods in the segmentation task by 4%.