BeatGraph: Self-Supervised Heartbeat Graphs for Infant ECG Representations from the Home Environment
作者: Mohammad Nur Hossain Khan, M. S. Krafczyk, Beverly G. Bolster, Nancy McElwain, Mark A. Hasegawa-Johnson, Bashima Islam
分类: cs.LG
发布日期: 2026-09-25
💡 一句话要点
提出BeatGraph以解决婴儿心电图表示问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 心电图 自监督学习 婴儿健康监测 图神经网络 时间序列分析
📋 核心要点
- 现有的心电图模型在处理婴儿心电图时存在不足，无法有效捕捉心跳结构，导致性能下降。
- BeatGraph通过将心跳作为基本表示单元，构建心跳图，直接建模心跳序列，解决了信号分割带来的问题。
- 在多个任务上，BeatGraph的宏F1分数比最强基线提高了0.076到0.158，并在ZZU-pECG基准上达到了0.892 AUROC。
📝 摘要（中文）
心电图（ECG）基础模型通常将信号分割为固定长度的补丁，忽略了心脏结构，导致心跳被拆分，且每个补丁中的心跳数量随心率变化。对于心率较高的婴儿而言，这一问题尤为突出。本文提出BeatGraph，将心跳作为表示单元，将每个30秒的窗口建模为心跳图。通过共享的心跳编码器嵌入每个心跳，使用带位置编码的Transformer按时间顺序排列心跳，残差图注意力层关联每个心跳，最终通过注意力池化生成窗口嵌入。BeatGraph在新的无标签婴儿录音数据集上进行预训练，并在多个任务上进行微调，显著提高了宏F1分数，并在不同年龄组之间实现了良好的迁移。
🔬 方法详解
问题定义：本文旨在解决现有心电图模型在处理婴儿心电图时的不足，尤其是信号分割导致的心跳信息丢失问题。现有模型通常基于成人的12导联数据，无法适应婴儿的心电图特征。
核心思路：BeatGraph的核心思路是将心跳作为基本的表示单元，构建心跳图，从而直接建模心跳序列，避免了信号分割的影响。通过这种方式，模型能够更好地理解和处理婴儿的心电图数据。
技术框架：BeatGraph的整体架构包括多个模块：首先，通过共享的心跳编码器将每个心跳从波形和心跳间隔中嵌入；其次，使用带位置编码的Transformer按时间顺序排列心跳；最后，残差图注意力层将每个心跳与其他心跳关联，经过注意力池化生成窗口嵌入。
关键创新：BeatGraph的主要创新在于将心跳作为表示单元，构建心跳图模型，这与传统的信号分割方法本质上不同，能够更有效地捕捉心跳的时序关系和结构信息。
关键设计：在模型设计中，使用了共享的心跳编码器和残差图注意力层，确保了信息的有效传递和关联。此外，模型在无标签数据上进行预训练，通过预测掩码心跳嵌入来增强学习效果。
🖼️ 关键图片
📊 实验亮点
BeatGraph在多个任务上表现出色，宏F1分数比最强基线提高了0.076到0.158，并在ZZU-pECG基准上达到了0.892 AUROC，接近最佳自监督心电图模型的性能，展示了其在婴儿心电图处理中的有效性。
🎯 应用场景
该研究的潜在应用领域包括婴儿健康监测、早期疾病检测和家庭环境中的心电图分析。通过提供更准确的心电图表示，BeatGraph能够帮助医疗专业人员更好地理解婴儿的心脏健康状况，具有重要的实际价值和未来影响。
📄 摘要（原文）
Electrocardiogram (ECG) foundation models typically tokenize the signal into fixed-length patches that ignore cardiac structure, so a patch may split a heartbeat and the number of beats in each patch shifts with heart rate. This matters most for infants, whose heart rates are higher and whose ECG differs from the adult, clinic-recorded 12-lead data these models are built on. A model for infant ECG should therefore reason about heartbeats directly rather than recover them from arbitrary patches. We propose BeatGraph, which makes the heartbeat its unit of representation, modeling each 30-second window as a graph of beats. A shared beat encoder embeds each heartbeat from its waveform and inter-beat intervals, a Transformer with positional encoding orders the beats in time, and residual graph attention layers relate every beat to every other before attention pooling yields a window embedding. We pretrain BeatGraph on our new corpus of unlabeled infant recordings by predicting masked-beat embeddings, then fine-tune it for each task. One backbone supports sleep-wake detection, infant-state classification, activity-source identification (infant- or caregiver-initiated movement), and affect recognition, improving macro-F1 over the strongest baseline on each task by 0.076 to 0.158. It also transfers across age groups, reaching 0.892 AUROC on the ZZU-pECG pediatric benchmark (ages 0 to 14), within 0.001 of the best published self-supervised ECG model, and matching that model under linear evaluation on the adult PTB-XL benchmark despite infant-only pretraining. Finally, to our knowledge, we release the first public infant ECG corpus collected in homes, classrooms, and laboratory settings with state and affect labels. It contains 3,408 hours of single-channel ECG from 143 infants aged 3 to 11 months, with unlabeled pretraining data, benchmark tasks, and subject-level splits.