超越准确率看问题：ECG基础模型的全面基准

心电图（ECG）是一种经济、高度可及且广泛使用的诊断工具。随着基础模型（FM）的出现，AI辅助ECG解读领域开始演进，因为它们通过依赖嵌入实现跨任务的模型复用。然而，要负责任地使用基础模型，关键在于严格评估其产生的嵌入的泛化程度，尤其是在医疗这类对错误敏感的领域。尽管先前工作已经处理过ECG专家基础模型的基准问题，但它们主要聚焦下游性能评估。为填补这一空白，本研究旨在为基础模型建立一个深入、全面的基准框架，特别聚焦ECG专家模型。为此，我们引入一种基准方法，在性能评估之外补充表示层面的分析，利用SHAP和UMAP技术。此外，我们依托该方法，对多个经由最先进技术预训练、来自不同跨洲数据集与数据可得性设置的ECG专家基础模型进行广泛评估；其中包括数据稀缺的设置，这在真实医疗场景中相当常见。实验结果表明，我们的基准协议为ECG专家基础模型的内嵌模式提供了丰富洞见，使其表示结构与泛化能力得到更深入的理解。