引导掩码表征学习捕捉心电图的时空关系

基于摘要分析。本文研究疾病筛查中标注 ECG 数据有限的问题，提出 ST-MEM（Spatio-Temporal Masked Electrocardiogram Modeling），通过重建被掩码的 12 导联 ECG 学习时空表征。其主要研究对象是心脏电信号及心律失常分类，并非 EEG 或 BCI。 核心思路是让自监督掩码建模考虑 ECG 内在的导联间空间关系与时间关系，而非直接套用通用自监督方法。作者报告，在多种心律失常分类实验设置中，ST-MEM 优于其他自监督基线，并能适配不同导联组合；作者还通过定量与定性分析展示 ECG 内部的时空关系。摘要未提供具体掩码策略、模型结构、重建损失、数据集、划分方式、指标或提升幅度，实验协议、消融及统计信息尚未验证。作者提供了代码链接，但实现细节与复现条件尚未核对。 平台推测（待验证）：假设其对多通道时间序列的时空关系建模能够推广，可探索将掩码重建用于 EEG 标注稀缺及通道组合变化问题。可考虑复用预训练与重建框架，但需按 EEG 电极布局、参考方式及信号尺度改造输入表示与空间关系编码；具体可复用模块仍需全文确认。ECG 导联关系不等同于 EEG 电极关系，EEG 的低信噪比、跨被试差异及小数据条件可能使迁移失效。一个可证伪的小实验是在固定 EEG 数据划分、预训练数据量与下游标注预算下，对比通用掩码重建和显式时空关系建模，并测试通道子集变化后的表现。已有相关 EEG 工作尚未检索确认。