arXiv · cs.AI· Jeonghwa Lim, Minje Park, Yeongyeon Na, Yujin Eom, Soyeon Lim, Young Ho Lee, Yu Jeong Kim, Sunghoon Joo, Ki Hong Lee·· 2 天前
多数据集基准研究：标签高效深度学习用于ECG波形边界标注
Label-Efficient Deep Learning for ECG Delineation: A Multi-Dataset Benchmark against Widely Used Delineation Tools
arXiv:2610.07885v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Jeonghwa Lim, Minje Park, Yeongyeon Na, Yujin Eom, Soyeon Lim, Young Ho Lee, Yu Jeong Kim, Sunghoon Joo, Ki Hong Lee
研究任务与主要进展
研究团队通过一个内部和四个外部数据集评测ECG波形边界标注，并报告自监督预训练有效，但其收益取决于预训练目标和少样本微调方式。按论文摘要，所选深度学习模型在全部数据集的三项指标上均排名第一，在节律多样数据集上以71.3%的mIoU和92.6%的平均逐点灵敏度超过最强工具的54.8%和76.4%，且从正常窦性节律到心律失常时性能下降更少。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org