Graph-Based Pseudo-multimodal Contrastive Learning for 12-Lead ECG Representations

📄 arXiv: 2608.26964v1 📥 PDF

作者: Mengyu Wang, Kozo Okada, Takafumi Goto, Natsuko Jinba, Hiroki Yamaya, Kiyoshi Hibi, Tomoki Hamagami

分类: cs.LG

发布日期: 2026-08-27

备注: 7 pages, 7 figures. Presented at the 48th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC 2026)

💡 一句话要点

提出图基伪多模态对比学习以解决12导联ECG分析问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 心电图分析 图基学习 多模态学习 自监督学习 冠状动脉疾病 GADF表示 导联依赖建模

📋 核心要点

  1. 现有ECG分析方法多集中于单导联信号，难以捕捉导联间的依赖关系和全球波形模式，影响临床诊断的准确性。
  2. 本文提出Graph-CMMC框架，通过将ECG波形转化为GADF图像，实现伪多模态学习，增强导联间的结构一致性。
  3. 在多标签冠状动脉阻塞分类任务中，Graph-CMMC框架表现出优于传统监督学习方法的竞争力，验证了其有效性。

📝 摘要（中文）

12导联心电图（ECG）是一种标准的非侵入性检查，广泛用于冠状动脉疾病的诊断。然而，现有的ECG分析方法通常集中于单导联信号或独立处理每个导联，难以捕捉导联间的依赖关系和全球波形模式。为了解决这一问题，本文提出了一种名为Graph-CMMC的图基伪多模态对比学习框架，通过将ECG波形转换为Gramian角差场（GADF）图像，构建互补表示，并在自监督的方式下对波形和GADF表示进行对齐。实验结果表明，该框架在多标签冠状动脉阻塞分类任务中表现出竞争力，验证了GADF作为互补表示的有效性及图基建模的必要性。

🔬 方法详解

问题定义：本文旨在解决现有ECG分析方法无法有效捕捉导联间依赖关系和全球波形模式的问题。现有方法多集中于单导联信号，导致临床诊断的准确性受到限制。

核心思路：论文提出的Graph-CMMC框架通过将ECG波形转换为GADF图像，构建互补表示，利用伪多模态学习增强导联间的结构一致性，从而提升对心电图的理解和分析能力。

技术框架：整体架构包括两个主要模块：一是将ECG波形转换为GADF图像，二是通过图基关系模块建模导联间的依赖关系。在自监督学习的过程中，框架对波形和GADF表示进行对齐。

关键创新：最重要的技术创新在于引入GADF作为互补表示，并通过图基建模显式捕捉导联间的依赖关系，这与传统方法的独立处理方式形成了鲜明对比。

关键设计：在设计中，采用了特定的损失函数以确保导联间的一致性，并优化了网络结构以适应GADF图像的处理，确保了模型的有效性和鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，Graph-CMMC框架在多标签冠状动脉阻塞分类任务中取得了优于传统监督学习方法的性能，具体表现为在准确率和召回率上均有显著提升，验证了GADF作为互补表示的有效性和图基建模的必要性。

🎯 应用场景

该研究具有广泛的应用潜力，特别是在医疗健康领域。通过提升12导联ECG的分析能力，能够更准确地辅助医生进行冠状动脉疾病的诊断，进而改善患者的治疗效果和预后。此外，该方法的框架也可扩展至其他生物信号分析领域，具有重要的实际价值和未来影响。

📄 摘要（原文）

12-lead electrocardiogram (ECG) is a standard, non-invasive examination widely used for diagnosing coronary artery disease, where clinical interpretation relies on comparing waveform patterns across multiple leads. However, most existing ECG analysis methods focus on single-lead signals or treat each lead independently, and typically process ECG signals as one-dimensional time-series data using CNNs or RNNs. While effective in modeling local waveform changes, such approaches have difficulty capturing inter-lead dependency and global waveform patterns essential for clinical diagnosis. To address this limitation, we propose a graph-based pseudo-multimodal contrastive learning framework called Graph-CMMC. ECG waveforms are transformed into Gramian Angular Difference Field (GADF) images to construct complementary representations of the same cardiac activity, enabling a pseudo-multimodal learning setting. Using all 12 leads, Graph-CMMC aligns waveform and GADF representations in a self-supervised manner, while a graph-based relational module is employed to model inter-lead dependency and enforce structural consistency across leads during contrastive learning. Experimental results on a multi-label coronary artery occlusion classification task demonstrate that the proposed framework achieves competitive performance compared to supervised learning methods. These results further suggest the effectiveness of using GADF as a complementary representation and incorporating explicit graph-based modeling of inter-lead dependency for learning robust 12-lead ECG representations.