Poly-Window Contrastive Learning verbessert ECG-Analyse nachhaltig
Die Analyse von Elektrokardiogrammen (EKG) ist ein entscheidender Schritt bei der Diagnose von Herz-Kreislauf-Erkrankungen. Doch die Leistungsfähigkeit moderner Deep‑Learning‑Modelle wird häufig durch die begrenzte Verfügbarkeit annotierter Daten eingeschränkt. Selbstüberwachtes kontrastives Lernen hat sich als vielversprechende Methode erwiesen, robuste Repräsentationen aus unlabelten Signalen zu extrahieren, doch bisherige Ansätze beschränken sich meist auf zwei augmentierte Ansichten und nutzen die reichhaltige zeitliche Struktur von EKG‑Aufzeichnungen nicht vollständig aus.
