标注需求降至少 3 倍
通过融合导联内与导联间的 Barlow twins 损失和导联信息拼接，用无标注心电图数据预训练出与监督学习性能相当的模型。
刘文翰 · Pan, Shurong · Zhoutong, Li · 常胜 · 黄启俊 · 姜楠
Information Fusion 2025
利用无标签心电图预训练提取先验知识后，下游模型获得与从零训练的有监督模型相当的精度，而所需标签数量仅为后者的 3–5 分之一。
在未经筛选的真实医院心电图上直接应用，预训练后性能无明显下降，表明模型能够适应临床环境中的噪声和变异性。
GradCAM 可视化显示，在训练数据与标签不足时，LFBT 帮助模型将注意力集中到关键波形变化，提高可解释性和临床可信度。