Learning General Representation of 12-Lead Electrocardiogram with a Joint-Embedding Predictive Architecture

要約

心電図 (ECG) は心臓の電気信号を捕捉し、心臓の状態を診断するための貴重な情報を提供します。
ただし、ラベル付きデータが不足しているため、医療分野で教師あり学習を完全に活用することが困難になります。
自己教師あり学習 (SSL) は、モデルがラベルのないデータから学習し、意味のあるパターンを発見できるようにする有望なソリューションを提供します。
この論文では、潜在空間におけるマスクされたモデリングが、ECG ドメインにおける既存の自己教師あり手法に代わる強力な代替手段となり得ることを示します。
ECG-JEPA は、生の信号を再構築する必要性を回避し、隠れた潜在空間で予測することによって ECG データの意味表現を学習する 12 誘導 ECG 解析用の SSL モデルです。
このアプローチには、ECG 領域でいくつかの利点があります。(1) ECG でよくあるノイズなどの不必要な詳細の生成を回避します。
(2) 生信号間の単純な L2 損失の制限に対処します。
もう 1 つの重要な貢献は、12 誘導 ECG データに合わせて調整された特殊なマスクされた注意メカニズムであるクロスパターン アテンション (CroPA) の導入です。
ECG-JEPA は、合計約 180,000 サンプルに及ぶ複数のオープン ECG データセットの結合でトレーニングされ、ECG 分類や特徴予測を含むさまざまな下流タスクで最先端のパフォーマンスを実現します。
私たちのコードは https://github.com/sehunfromdaegu/ECG_JEPA で公開されています。

要約(オリジナル)

Electrocardiogram (ECG) captures the heart’s electrical signals, offering valuable information for diagnosing cardiac conditions. However, the scarcity of labeled data makes it challenging to fully leverage supervised learning in medical domain. Self-supervised learning (SSL) offers a promising solution, enabling models to learn from unlabeled data and uncover meaningful patterns. In this paper, we show that masked modeling in the latent space can be a powerful alternative to existing self-supervised methods in the ECG domain. We introduce ECG-JEPA, a SSL model for 12-lead ECG analysis that learns semantic representations of ECG data by predicting in the hidden latent space, bypassing the need to reconstruct raw signals. This approach offers several advantages in the ECG domain: (1) it avoids producing unnecessary details, such as noise, which is common in ECG; and (2) it addresses the limitations of na\’ive L2 loss between raw signals. Another key contribution is the introduction of Cross-Pattern Attention (CroPA), a specialized masked attention mechanism tailored for 12-lead ECG data. ECG-JEPA is trained on the union of several open ECG datasets, totaling approximately 180,000 samples, and achieves state-of-the-art performance in various downstream tasks including ECG classification and feature prediction. Our code is openly available at https://github.com/sehunfromdaegu/ECG_JEPA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google