Robust Transfer Learning for Paper ECG Recognition

📄 arXiv: 2609.39581v1 📥 PDF

作者: Yinghao Xie, Zhenbang Dai, Haojun Wang, Jinyu Cai, Fabio Bonassi, Hongwu Chen, Johan Sundström, Jiawei Li, Antônio H. Ribeiro

分类: cs.LG, cs.AI

发布日期: 2026-09-30

💡 一句话要点

提出RobECG-CL以解决纸质心电图识别的鲁棒性问题

🎯 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: 心电图识别 对比学习 迁移学习 鲁棒性 深度学习 医疗图像处理 数据降级

📋 核心要点

  1. 纸质心电图识别面临布局变化、物理伪影和标签稀缺等多重挑战，现有方法在鲁棒性上存在不足。
  2. 本文提出的RobECG-CL框架通过对比学习，利用降级的纸质心电图视图来增强模型的表示能力。
  3. 在多项实验中，RobECG-CL在严重降级和少样本迁移任务中表现优异，显著提升了识别准确率。

📝 摘要（中文）

纸质心电图识别面临布局、物理伪影和标签可用性等挑战。本文提出了RobECG-CL，一个基于排名感知的对比学习框架，用于鲁棒的纸质心电图表示学习。通过从标准的12导联心电图记录出发，构建逐步降级的纸质心电图视图，模型在保持同一记录不变性的同时，平衡降级感知排序。在CODE-II和EchoNext的合成压力测试中，RobECG-CL在严重降级和少样本迁移下提高了鲁棒性，超越了对比学习基线，并在1%标记设置中超过了基于波形的基础模型ECG-FM。在包含37个标签的312个医院样本中，RobECG-CL实现了最佳的宏观AUROC。

🔬 方法详解

问题定义：本文旨在解决纸质心电图识别中的鲁棒性问题，现有方法在面对布局变化和物理伪影时表现不佳，且在标签稀缺的情况下难以有效迁移学习。

核心思路：RobECG-CL通过构建逐步降级的纸质心电图视图，结合对比学习，旨在增强模型对不同布局和伪影的适应能力，同时保持同一记录的特征不变性。

技术框架：该框架包括数据预处理、降级视图生成、对比学习模块和模型训练阶段。首先，从标准12导联心电图生成多种降级视图，然后通过对比学习优化模型的表示能力。

关键创新：RobECG-CL的主要创新在于引入了排名感知的对比学习机制，使得模型在处理降级数据时能够有效地保持同一记录的特征一致性，这一设计与传统的对比学习方法有本质区别。

关键设计：在模型设计中，采用了特定的损失函数来平衡同一记录的特征不变性与降级感知排序，网络结构上则结合了卷积神经网络（CNN）和对比学习模块，以增强特征提取能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，RobECG-CL在CODE-II和EchoNext数据集上表现出色，尤其在1%标记样本设置下，超越了对比学习基线和ECG-FM模型，达到了最佳的宏观AUROC，显示出其在少样本学习和严重降级情况下的强大鲁棒性。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在医疗领域的心电图分析中，可以帮助医生更准确地识别和诊断心脏疾病。此外，RobECG-CL的鲁棒性提升也为其他类型的图像识别任务提供了新的思路，未来可能在智能医疗设备和远程监测系统中发挥重要作用。

📄 摘要（原文）

Paper ECG recognition is challenging because real-world ECG images vary in layout, physical artifacts, and label availability. We introduce RobECG-CL, a rank-aware contrastive learning framework for robust paper ECG representation learning. Starting from standard 12-lead ECG recordings, we construct progressively degraded paper ECG views with heterogeneous layouts and train the model to balance same-recording invariance with degradation-aware ordering. Across synthetic stress tests on CODE-II and EchoNext, RobECG-CL improves robustness under severe degradation and few-shot transfer, outperforming contrastive learning baselines and surpassing the waveform-based foundation model, ECG-FM, in the 1% labeled setting. On 312 samples of hospital data with 37 labels, RobECG-CL achieves the best macro AUROC.