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

Muhammad Ilham Rizqyawan, Peter Macfarlane외 2명|arXiv (Cornell University)|2026. 01. 22.

ECG Monitoring and Analysis인용 수 0

한 줄 요약

Beat-SSL은 리듬 수준 소프트-타깃 대조학습과 심박 수준 하드 타깃을 이중 맥락 ECG 프리트레이닝 프레임워크 내에서 도입하여 강력한 분할 성능과 거의 최고에 가까운 다중레이블 리듬 분류를 훨씬 적은 프리트레이닝 데이터로 달성한다.

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%.

연구 동기 및 목표

• 제한된 라벨 데이터로 자체지도 대조학습을 활용하여 로버스트한 ECG 표현 학습을 촉진한다.
• 전역 리듬 맥락과 국부 심박 모양(형태)을 활용하여 더 풍부한 표현을 얻는다.
• 리듬 수준에서 소프트 타깃 대조를 도입하고 박자 수준에서 하드 타깃을 도입하여 ECG 간의 연속적 유사성을 포착한다.

제안 방법

• 12유도 ECG를 3D 벡터카디오그래피(VCG) 도메인으로 변환하고 3KG 스타일 증강을 적용한다.
• 공유 인코더를 사용하여 두 개의 증강 뷰와 NT-Xent 손실로 리듬 수준 대조학습을 수행한다.
• R-피크 주변의 ROI 유사 풀링으로 인코더 출력에서 박자 수준 표현을 추출하고 박자 프로젝션 헤드를 적용하여 대조학습을 수행한다.
• Lead-II에서 학습된 박자 분류기에서 얻은 하드 박자 수준 타깃을 사용하여 박자 수준 대조학습을 안내한다.
• 특징 유사성 또는 이웃 가중치를 기반으로 하는 소프트 대조 타깃(soft_1 및 soft_2)을 도입하여 연속적인 유사성 신호를 제공한다.
• 쌍 간의 소프트 타깃을 인코딩하는 가중치를 갖는 일반화 NT-Xent 손실을 최적화한다.

실험 결과

연구 질문

• RQ1 듀얼 맥락 대조학습(리듬 수준 및 심박수 수준)이 단일 맥락 접근법보다 더 풍부한 ECG 표현을 만들어낼 수 있는가?
• RQ2 소프트 타깃 대조 신호가 글로벌 리듬 작업과 로컬 박자 형태학 작업의 표현 품질을 하드 타깃과 비교하여 향상시키는가?
• RQ3 ECG 기반 모델 및 다른 CL 방법들에 비해 전역 리듬 평가와 로컬 파형 구분(세그먼트화)을 요구하는 다운스트림 작업에서 Beat-SSL의 성능은 어떠한가?

주요 결과

• Beat-SSL은 다중 라벨 리듬 분류와 ECG 파형 분할의 두 가지 작업에서 강력한 다운스트림 성능을 달성한다.
• 최고 구성은 더 큰 ECG 기반 모델이 달성한 최고 F1스코어의 93%에 도달하며, 훨씬 적은 프리트레이닝 데이터(약 31.8배 적은)를 사용한다.
• Beat-SSL은 세그먼트화 작업에서 모든 다른 방법을 능가하며 4% 차이를 보인다( Dice/F1 지표 보고).
• 소프트 리듬 수준 대조(soft_1)가 리듬 작업의 성능을 향상시키고, 박자 수준 하드 타깃과의 결합이 강력한 세그먼트 성능을 보인다.
• 무효화 연구는 소프트 타깃의 거듭제곱(지수 50)을 사용하면 작업과 구성에 관계없이 일관되게 성능 이점을 준다.