解码器设计对ECG分界的重要性

# 解码器设计对心电图波形分割至关重要
来源：https://arxiv.org/html/2609.16489
Joseph Scharpf∗1, William Han∗1, Chaojing Duan2, Michael A\. Rosenberg3, Emerson Liu2, Ding Zhao1††贡献：*同等贡献

###### 摘要

心电图（ECG）波形分割旨在识别P波、QRS波群和T波的边界，为AI模型学习解读心电图提供结构性标注。然而，训练精确的分割模型需要耗时且稀缺的手工标注。近期工作通过半监督学习（SSL）来解决这一限制，但模型架构设计，尤其是解码器部分，受到的关注较少。为此，我们提出R‑U‑Net，一种将ResNet‑18编码器与U‑Net解码器配对的ECG波形分割模型。在SemiSegECG基准测试中，R‑U‑Net在16个域内设置中的每一个都超越了经过评估的最强ResNet‑18 + 全卷积网络（FCN）头基线，平均交并比（mIoU）提升了3.3–13.0，并在跨域设置中达到82.6 mIoU，提升了8.1 mIoU。受控消融实验表明，解码器设计对性能提升的贡献大于所评估的SSL方法，这激发了进一步探索用于ECG波形分割的架构。所有代码已在github\.com/ELM\-Research/ECG\-Delineation开源。(https://github.com/ELM-Research/ECG-Delineation)

###### 关键词：

心电图，ECG波形分割，深度学习，半监督学习

††地址：1卡内基梅隆大学，2阿勒格尼健康网络，3科罗拉多大学

## 1引言

将人工智能（AI）应用于解读心电图是迈向可扩展性和自动化的一步。虽然近期大部分工作主要集中在分类\[11 (https://arxiv.org/html/2609.16489#bib.bib15)\]和基于心电图的文本生成\[15 (https://arxiv.org/html/2609.16489#bib.bib13)\]等任务上，但ECG波形分割已成为一个日益受到关注的领域\[9 (https://arxiv.org/html/2609.16489#bib.bib14)\]。

ECG波形分割的任务是将心电图在时间上划分为四类：（1）背景、（2）P波、（3）QRS波群、（4）T波。早期的自动ECG波形分割方法依赖于小波变换和手工设计的规则\[7 (https://arxiv.org/html/2609.16489#bib.bib3)\]。更近期的方法将分割建模为密集的样本级标注，使用的架构包括CNN‑LSTM模型\[10 (https://arxiv.org/html/2609.16489#bib.bib1)\]和一维U‑Net模型\[4 (https://arxiv.org/html/2609.16489#bib.bib2)\]。波形标注为下游任务（如基于心电图的文本生成\[8 (https://arxiv.org/html/2609.16489#bib.bib16)\]）提供了明确的心电图结构和细粒度监督。然而，训练精确的分割模型需要稀缺且耗时的手工边界标注。

为解决这一局限，SemiSegECG\[9 (https://arxiv.org/html/2609.16489#bib.bib14)\]在六个数据集上对ECG波形分割的半监督学习（SSL）方法进行了基准测试。其比较主要关注SSL策略，将ResNet\[3 (https://arxiv.org/html/2609.16489#bib.bib6)\]和ViT\[2 (https://arxiv.org/html/2609.16489#bib.bib5)\]编码器与轻量级的全卷积网络（FCN）头配对。尽管U‑Net架构此前已应用于ECG波形分割，但在该基准中解码器设计的贡献仍未被探索。

本研究中，我们通过R‑U‑Net探讨了ECG波形分割的解码器设计，它将ResNet‑18编码器与U‑Net解码器\[12 (https://arxiv.org/html/2609.16489#bib.bib4)\]配对，取代了FCN头。R‑U‑Net在SemiSegECG\[9 (https://arxiv.org/html/2609.16489#bib.bib14)\]的所有16个域内设置和跨域设置中都超越了评估的基线。为孤立解码器设计的贡献，我们进行了两项消融研究：（1）比较不同的解码器变体（表2）和（2）比较不同的SSL方法（表3）。在这两项研究中，我们都发现U‑Net解码器对性能提升的贡献最大。总而言之，这些实验凸显了解码器设计是ECG波形分割性能的一个关键因素，并促使人们更加关注架构细节。

[图1：R‑U‑Net的高层次架构概览。]
[图2：R‑U‑Net与真实值（ground truth）相比，成功进行ECG波形分割的示例，展示了10秒心电图中间的一段2秒片段。]

## 2方法

### 2.1问题形式化

我们遵循SemiSegECG，将ECG波形分割表述为逐样本分类任务。对于单导联片段x∈R^T，目标y∈{0,1,2,3}^T将每个样本分别分配到背景、P波、QRS波群或T波。给定有标签片段D_l和无标签片段D_u，我们学习一个模型f_θ，其输出包含按类别（class‑wise）的softmax：

f_θ(x) ∈ [0,1]^{4×T}, \hat{y}_t = arg\max_{c∈{0,1,2,3}} [f_θ(x)]_{c,t}。 (1)

每个连续非背景类别运行的首尾样本定义了其预测的起始和终止。

### 2.2R‑U‑Net架构细节

R‑U‑Net将一维ResNet‑18编码器\[3 (https://arxiv.org/html/2609.16489#bib.bib6)\]与U‑Net风格的解码器\[12 (https://arxiv.org/html/2609.16489#bib.bib4)\]结合，两者均从头初始化。图1提供了架构概览。

编码器包含四个残差阶段，每个阶段由两个基本残差块组成。对于增强后的输入\(\widetilde{x}\)，我们保留每个阶段的输出：

H_enc = (H_enc^{(1)}, ..., H_enc^{(4)}) = E_{θ_enc}(\widetilde{x})，
其中 H_enc^{(s)} ∈ R^{d_s × T_s}。阶段宽度为(64, 128, 256, 512)，对于T=2500，对应的时间长度分别为(625, 313, 157, 79)。

从最深层的编码器表示开始，解码器逐步上采样特征，并通过跳跃连接（skip connections）将其与相应的编码器输出拼接。每个融合阶段应用两个核大小为3的卷积，每个卷积后跟批量归一化和ReLU。三个阶段分别产生256、128和64个通道。

最终解码器特征传递到分割头。概率为0.1的Dropout之后是一个逐点卷积，产生C=4个类别的logits。然后，该头将这些logits线性插值到原始信号长度，并应用按类别的softmax来获得预测的类别概率：

f_θ(\widetilde{x}) = softmax_{class}(U_T(D_{θ_dec}(H_enc)))，
其中 D_{θ_dec} 包含解码器、dropout和逐点分类器，U_T 表示线性插值到长度T。

### 2.3边界感知的教师-学生模型（Boundary‑Aware Mean Teacher）

我们使用Mean Teacher\[13 (https://arxiv.org/html/2609.16489#bib.bib7)\]，包含一个学生模型f_θ和一个教师模型f_{\bar{θ}}。教师由学生初始化，并在每个优化步骤后更新：\bar{θ} ← 0.99\bar{θ} + 0.01θ。它在评估模式下运行，不更新梯度。对于每个无标签片段，教师接收一个通过随机时间缩放、填充或裁剪获得的弱视图x^w。学生接收一个带有额外随机幅度扰动以及工频、白噪声或正弦波噪声的强视图x^s。两个视图在时间上保持对齐。有标签片段及其掩码经历相同的弱变换。

对于有标签小批量B_l，我们使用逐样本交叉熵损失：

\mathcal{L}_{sup} = -\frac{1}{|\mathcal{B}_l|T} \sum_{(x,y) \in \mathcal{B}_l} \sum_{t=1}^T \log[f_θ(x)]_{y_t, t}， (2)

其中(x, y)表示一个增强片段及其对齐的掩码。对于每个无标签片段，记q = f_{\bar{θ}}(x^w)，p = f_θ(x^s)。两个一致性项都使用软目标交叉熵 \ell_t = -\sum_{c=0}^3 q_{c,t} \log p_{c,t}。

为了强调潜在的波形边界，我们测量相邻教师概率向量之间的变化：

δ_t = \frac{1}{2} \sum_{c=0}^3 \|q_{c,t} - q_{c,t-1}\|, t=2,...,T， (3)

其中 δ_1 = 0。我们将这些变化扩散到±4个样本的邻域，并在整个片段上归一化：

e_t = \max_{1 ≤ u ≤ T, |u-t| ≤ 4} δ_u, \quad b_t = \frac{e_t}{\max(10^{-6}, \max_u e_u)}。 (4)

记 a_t = \max_c q_{c,t} 为教师置信度。如果片段上的平均值至少为0.50，则设g=1，否则g=0。区域和边界权重为：

w_t^r = g(1 - b_t) \mathbf{1}[a_t ≥ 0.80]， (5)
w_t^b = g b_t (1 + a_t)/2。

区域项有利于远离概率变化（包括背景）的高置信度位置。边界项则强调这些变化，而无需使用硬性的逐样本置信度阈值。

对于无标签小批量B_u，我们独立归一化这两项：

\mathcal{L}_k = \frac{\sum_{x \in \mathcal{B}_u} \sum_{t=1}^T w_t^k \ell_t}{\max\left(1, \sum_{x \in \mathcal{B}_u} \sum_{t=1}^T w_t^k\right)}, \quad k \in \{r, b\}， (6)

其中 w_t^k 和 \ell_t 对 x 的依赖是隐式的。学生最小化：

\mathcal{L} = \frac{1}{2} (\mathcal{L}_{sup} + \mathcal{L}_r + \mathcal{L}_b)。 (7)

## 3实验设置

### 3.1数据集

我们遵循SemiSegECG\[9 (https://arxiv.org/html/2609.16489#bib.bib14)\]的公开的域内和合并的跨域协议，使用其提供的训练、验证和测试集划分。LUDB\[5 (https://arxiv.org/html/2609.16489#bib.bib12)\]、QTDB\[6 (https://arxiv.org/html/2609.16489#bib.bib11)\]、ISP\[1 (https://arxiv.org/html/2609.16489#bib.bib8)\]和浙江数据集\[16 (https://arxiv.org/html/2609.16489#bib.bib10)\]提供了波形分割标签。每个导联被视为独立的输入。在域内协议下（表1），有标签和无标签数据来自同一数据集。由训练集的1/16、1/8、1/4或1/2组成的随机子集作为有标签数据，而整个训练集作为无标签数据。在合并的跨域协议下（图3），四个有标签数据集在保留其原始划分的情况下被合并，而PTB‑XL\[14 (https://arxiv.org/html/2609.16489#bib.bib9)\]作为外部的无标签数据集。我们在合并的域内测试集上进行评估，以评估当有标签和无标签训练数据来自不同来源时的性能。遵循SemiSegECG的预处理流程，波形被重采样到250 Hz，产生T=2500个样本，并经过0.67 Hz和40 Hz的高通和低通滤波器处理。所有模型输入都应用了Z‑score归一化。

### 3.2训练与评估

我们使用AdamW优化器训练100个epoch，学习率为10^{-3}，权重衰减为0.05。学习率在前10个epoch线性增加，随后遵循余弦调度降至10^{-4}。每个步骤使用16个有标签和16个无标签样本。我们选择在验证集上平均交并比（mIoU）最高的学生模型检查点，并在测试集上进行评估。mIoU包括所有四个类别（包括背景）。所有带标准差的mIoU结果来自我们的实验，并报告为三个随机种子的平均值±标准差。

表1：在不同有标签数据比例下的域内测试mIoU（%）。基线结果来自SemiSegECG\[9 (https://arxiv.org/html/2609.16489#bib.bib14)\]，使用ResNet‑18 + FCN架构。R‑U‑Net结果报告为三个种子的平均值±标准差。

## 4结果

### 4.1域内评估

表1展示了在SemiSegECG上的16个域内评估。我们将使用边界感知教师-学生模型（Boundary‑aware MT）训练的R‑U‑Net与SemiSegECG\[9 (https://arxiv.org/html/2609.16489#bib.bib14)\]中报告的六个使用ResNet‑18 + FCN架构的基线训练方法进行比较。R‑U‑Net在所有四个数据集和四种有标签数据比例上都取得了最高的mIoU，在每个设置中超越了最强基线3.3到13.0个mIoU。在最低的有标签数据比例（1/16）下，LUDB、QTDB、ISP和浙江数据集的提升分别为13.0、8.9、12.3和4.5 mIoU。这些结果表明，在不同数据集和不同有标签数据可用性水平（包括标注有限的设置）下，性能都得到了持续的提升。

[图3：在合并的域内测试集上的跨域测试mIoU。基线使用FCN解码器\[9 (https://arxiv.org/html/2609.16489#bib.bib14)\]。]

### 4.2跨域评估

图3比较了在跨域设置中，使用边界感知教师-学生模型训练的R‑U‑Net与六个使用ResNet‑18 + FCN架构的基线训练方法。R‑U‑Net取得了82.6的最高mIoU，超过了最强基线Scratch（74.5 mIoU）8.1 mIoU。这些结果表明，当有标签和无标签训练数据来自不同来源时，R‑U‑Net仍能保持其性能优势，支持其在域内训练设置之外的有效性。

### 4.3比较解码器变体

表2：在LUDB数据集\[5 (https://arxiv.org/html/2609.16489#bib.bib12)\]上使用1/16有标签数据比例对解码器变体进行的消融研究。我们评估了两个中间解码器变体：（1）Wide FCN，添加了一个额外的卷积层并增加了通道宽度以匹配我们的U‑Net解码器的参数量（~1.03M），以及（2）U‑Net（无跳跃连接），即R‑U‑Net中使用的U‑Net解码器但去掉了跳跃连接。为隔离解码器的影响，我们使用从头训练方法（scratch training）训练Wide FCN、无跳跃连接的U‑Net和完整的U‑Net。Wide FCN达到了与原始FCN相当的性能（67.2 vs 67.3 mIoU）。无跳跃连接的U‑Net解码器达到80.0 mIoU，而添加跳跃连接将mIoU提升了1.8个百分点至81.8。这些结果表明，收益主要