ECG-MoE：专家混合心电图基础模型

摘要

心电图（ECG）分析对心脏诊断至关重要，然而现有基础模型往往无法捕捉多样化临床任务所需的周期性和多样特征。我们提出ECG-MoE，一种将多模型时间特征与心脏周期感知专家模块相集成的混合架构。该方法采用双路径Mixture-of-Experts分别建模心拍级别的形态与节律，并结合使用LoRA的分层融合网络以实现高效推理。在五项公开临床任务上评估，ECG-MoE取得了最先进的性能，推理速度比多任务基线快40%。

ECG-MoE：专家混合心电图基础模型 — 图1：现有基础模型存在局限，因为不同模型捕捉的ECG特征各不相同，阻碍了单一模型内的多任务表现。此外，尽管ECG信号固有强周期性，这一特性却常被现有ECG基础模型忽视。为解决这些问题，我们提出一种基于Period MoE的集成学习方法。我们方法的有效性在五项常见下游任务上得到验证。