[論文レビュー] Beat-ssl: Capturing Local ECG Morphology through Heartbeat-level Contrastive Learning with Soft Targets

Muhammad Ilham Rizqyawan, Peter Macfarlane+2 more|arXiv (Cornell University)|Jan 22, 2026

ECG Monitoring and Analysis被引用数 0

ひとこと要約

Beat-SSLはリズムレベルのソフトターゲット対照学習と心拍レベルのハードターゲットを組み込む二重コンテキストECG事前学習フレームワークを提案。セグメンテーション性能を強化し、最良クラスの多ラベルリズム結果の約93%を、はるかに少ないデータ量で達成。

ABSTRACT

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%.

研究の動機と目的

• 限られたラベル付きデータで自己教師付き対照学習を用いて堅牢なECG表現を学習させる動機付け。
• グローバルなリズム文脈と局所の心拍形態の両方を活用してよりリッチな表現を得る。
• リズムレベルのソフトターゲット対照と心拍レベルのハードターゲットを導入し、ECGの連続的な類似性を捉える。

提案手法

• 12誘導ECGを3Dベクトル心電図（VCG）領域へ変換し、3KG系オーグメンテーションを適用する。
• 2つのオーグメントビューとNT-Xent損失を用いた共通エンコーダでリズムレベル対照学習を実施する。
• Rピーク周囲のROI風プーリングからエンコーダ出力の心拍レベル表現を抽出し、対照学習のためのビート射影ヘッドを適用する。
• Lead-IIで訓練されたビート分類器からのハードなビートレベルターゲットを用いてビートレベル対照学習を導く。
• 特徴類似性または近傍ウェイティングに基づくソフト対照ターゲット（soft_1とsoft_2）を導入し、連続的な類似信号を提供する。
• ソフトターゲット間の加重をエンコードする一般化NT-Xent損失を最適化する。

実験結果

リサーチクエスチョン

• RQ1 デュアルコンテキスト対照学習（リズムレベルと心拍レベル）は、単一コンテキスト手法よりも豊かなECG表現を生み出せるか。
• RQ2 ソフトターゲット対照信号は、グローバルリズムタスクと局所的な心拍形態タスクの表現品質を、ハードターゲットと比べて改善するか。
• RQ3 Beat-SSLは、グローバルなリズム評価と局所的な波形識別（セグメンテーション）を必要とする下流タスクにおいて、ECGファウンデーションモデルや他のCL手法と比較してどう性能を発揮するか。

主な発見

• Beat-SSLは、二つの下流タスク（多ラベルリズム分類とECG波形セグメンテーション）で強力な性能を達成する。
• 最良の構成は、より大きなECGファウンデーションモデルが達成する最高のF1スコアの93%に達し、前学習データ量を大幅に削減（約31.8倍少ない）している。
• Beat-SSLはセグメンテーションタスクで他のすべての手法を上回り、4%の優位（Dice/F1指標で報告）。
• ソフトリズムレベル対照（soft_1）はリズムタスクの性能を改善し、ビートレベルのハードターゲットとの組み合わせはセグメンテーション性能を強力に引き上げる。
• アブレーション研究は、ソフトターゲットのべき乗（指数50）を用いると、タスクと構成全体で一貫して性能が向上することを示している。