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.

In der neuen Studie wird ein Poly‑Window‑Contrastive‑Learning‑Framework vorgestellt, das aus jeder EKG‑Instanz mehrere zeitliche Fenster zieht, um positive Paare zu bilden. Durch die Maximierung der Übereinstimmung dieser Paare über statistische Merkmale wird das Modell gezielt dazu angeregt, zeitlich invariant und physiologisch sinnvolle Features zu lernen, die über die Zeit hinweg bestehen bleiben – ein Prinzip, das der Slow‑Feature‑Analysis entspricht.

Die Wirksamkeit des Ansatzes wurde umfangreich am PTB‑XL‑Datensatz getestet. Poly‑Window‑Contrastive‑Learning übertrifft herkömmliche Zwei‑Ansicht‑Methoden bei der Mehrklassen‑Superklassifikationsaufgabe: AUROC 0,891 gegen 0,888 und F1‑Score 0,680 gegen 0,679. Gleichzeitig erfordert das neue Verfahren bis zu viermal weniger Pre‑Training‑Epochen (32 statt 128) und reduziert die gesamte Trainingszeit um 14,8 %. Trotz der Verarbeitung mehrerer Fenster pro Probe führt die Methode zu einer signifikanten Reduktion der benötigten Epochen und der Rechenzeit, was sie besonders praktikabel für die Entwicklung von Grundlagenmodellen macht.

Diese Ergebnisse zeigen, dass die Berücksichtigung der zeitlichen Struktur von EKG‑Signalen in kontrastivem Lernen nicht nur die Modellleistung verbessert, sondern auch die Effizienz des Trainings drastisch steigert. Der Ansatz eröffnet neue Perspektiven für die Entwicklung schneller, genauer und ressourcenschonender Herzdiagnose‑Tools.