arXiv cs.AI· Aruna Mohan, Burcu Ozek, Or Zilbershot, Fatemeh Afghah·· 12 小时前AI 评分30
QECGBERT：基于 VQ-VAE 波形分词与自监督语言学习的可扩展 ECG 基础模型
QECGBERT: A Scalable ECG Foundation Model Based on Self-Supervised Language Learning via VQ-VAE Waveform Tokenization
AI 导读
QECGBERT 是一个自监督 ECG 语言模型，通过 VQ-VAE 对 12 导联 ECG 的 P、QRS、T 波与等电位背景波形进行分词，并用连续波形特征补充量化中丢失的形态信息，从而以短序列完成 BERT 掩码语言建模。
正文 · AI 翻译
摘要：AI 基础模型在利用心电图（ECG）数据推进心脏病诊断方面发挥着关键作用，尤其是对于罕见疾病，因为缺乏足够的标注数据会阻碍监督学习。然而，大多数自监督学习方法将 ECG 视为普通序列或图像数据，未利用其潜在的生理结构。为解决这一局限，我们提出 QECGBERT，一种自监督 ECG 语言模型，通过对 P、QRS、T 波和等电位背景波形进行分词，显式编码生理语义。对每个 12 导联 ECG 应用向量量化变分自编码器（VQ-VAE）分词，并通过连续波形特征丰富 token，以保留量化过程中丢失的形态信息，同时不增加序列长度。该设计使得基于短序列的紧凑 BERT 掩码语言建模成为可能，相比长序列方法提升了可扩展性并降低了计算成本。QECGBERT 在包含超过 800,000 条未标注 ECG 记录的 MIMIC-IV 数据集上应用 BERT 预训练，并在标注的 PTB-XL、CPSC2018 和 Chapman--Shaoxing--Ningbo 数据集上微调以进行评估。结果表明，QECGBERT 达到了与已发表基准相当或更优的性能，为心脏诊断的 ECG 基础建模提供了一种可扩展、具备生理感知能力的方法。
| 评论： | 本工作已提交至 IEEE 以供可能发表。版权可能在不另行通知的情况下转移，此后本版本可能不再可访问。已提交至 IEEE ICASSP 2027 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.33964 [cs.LG] |
| （或 arXiv:2610.33964v1 [cs.LG] 用于本版本） | |
| https://doi.org/10.48550/arXiv.2610.33964 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Aruna Mohan [查看电子邮件]
[v1]
2026年10月25日星期日 00:37:53 UTC（849 KB）
来源：arXiv cs.AI · arxiv.org