ECG-FM: An Open Electrocardiogram Foundation Model

心电图（ECG）是一种普遍的诊断测试。传统的特定任务的ECG分析模型需要大量昂贵的ECG注释或相关标签进行训练。迁移学习技术已被证明可以提高泛化能力，减少对标记数据的依赖。我们提出了ECG-FM，这是一个用于心电图分析的开放式基础模型，并在一个由166万个心电图组成的数据集上进行了全面研究，该数据集来自公开可用和私人机构来源。ECG-FM采用基于transformer的架构，并使用心电图特定的增强和对比学习以及连续信号掩蔽目标进行了预训练。我们的透明评估包括各种下游任务，其中我们预测心电图解释标签、左室射血分数降低和心肌肌钙蛋白异常。确认ECG-FM作为基础模型的有效性，我们展示了它对上下文信息的掌握导致了强大的性能、丰富的预训练嵌入和可靠的可解释性。由于缺乏开放式权重实践，我们强调心电图分析在基础模型采用方面落后于其他医学机器学习子领域。我们的代码可在https://github.com/bowang-lab/ECG-FM/上找到。

ECG-FM试图解决ECG分析模型需要大量昂贵的标注数据的问题，采用迁移学习技术来提高泛化性能和减少对标注数据的依赖。

ECG-FM采用基于transformer的架构，使用ECG特定的数据增强和对比学习等预训练方法，以及连续信号掩蔽目标，对250万个样本进行预训练，作为ECG分析的基础模型。

论文采用了一个包含166万个ECG的数据集进行全面的研究，评估了ECG-FM在多种下游任务上的表现，包括预测ECG解释标签、左心室射血分数降低和心肌肌钙蛋白异常。实验结果表明，ECG-FM具有较强的性能、丰富的预训练嵌入和可靠的可解释性。论文还指出，由于缺乏开放权重的实践，ECG分析在基础模型采用方面落后于其他医疗机器学习子领域。作者在Github上开源了代码。

最近的相关研究包括“ECG-CNN：一种基于深度学习的心电图分类方法”（ECG-CNN: A Deep Learning Approach to Heartbeat Classification）和“心电图分类的深度学习方法：状态-of-the-art和未来方向”（Deep Learning Methods for ECG Classification: A Survey）等。