[论文解读] 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 0

一句话总结

Beat-SSL 在双场景ECG预训练框架中引入节律级软目标对比学习与心跳级硬目标，在实现强劲的分割性能的同时，使用显著更少的预训练数据达到接近最佳的多标签节律分类。

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%.

研究动机与目标

• 在有限标注数据下利用自监督对比学习推动鲁棒ECG 表征的学习。
• 同时利用全局节律上下文与局部心跳形态获得更丰富的表示。
• 在节律层引入软目标对比，在心跳层引入硬目标，以捕捉ECG中的连续相似性。

提出的方法

• 将12导联ECG转换到3D向量心动图（VCG）域并应用3KG风格的增强。
• 使用共享编码器对两个增强视图执行节律级对比学习，并采用NT-Xent损失。
• 通过在R波峰周围进行ROI样池化从编码器输出中提取心跳级表示，并为对比学习设置心跳投影头。
• 使用在Lead-II上训练的心跳分类器提供的硬性心跳级目标，引导心跳级对比学习。
• 引入基于特征相似性或邻域加权的软对比目标（soft_1和soft_2），提供连续相似信号。
• 使用带权重的广义NT-Xent损失来优化，以编码软目标之间的配对关系。

实验结果

研究问题

• RQ1 双场景对比学习（节律级与心跳级）是否比单一场景方法产生更丰富的ECG 表征？
• RQ2 相较于硬目标，软目标对比信号是否能提升全球节律任务与局部心跳形态任务的表征质量？
• RQ3 在需要全球节律评估与局部波形描记（分割）的下游任务中，Beat-SSL 相对ECG基础模型和其他对比学习方法的表现如何？

主要发现

• Beat-SSL 在两个任务上实现了强劲的下游性能：多标签节律分类与ECG波形分割。
• 在更大规模的ECG基础模型达到最佳F1分数的情况下，最佳配置仅使用极少的预训练数据，约少31.8倍数据量即可达到同等水平。
• Beat-SSL 在分割任务上超过所有其他方法4%的性能（报告的Dice/F1指标）。
• 软节律级对比（soft_1）提升了节律任务的性能，与心跳级硬目标的结合产生了强劲的分割性能。
• 消融研究表明对目标进行指数化处理（幂次50）在不同任务与配置下均带来持续的性能提升。