NEF-NET V2: ADAPTING ELECTROCARDIO PANORAMA IN THE WILD

作者：香港科技大学（广州）

来源: ICLR2026

代码：https://github.com/HKUSTGZ-ML4Health-Lab/NEFNET-v2

背景

心血管疾病仍然是全球治病和致死的主要原因，每年夺走数百万生命，并带来深远的残疾负担。心电图（ECG）是不可或缺的一种诊疗手段，是非入侵性的，成本效益高的方法，能够迅速解释心脏电活动的复杂状态。

ECG视图状态的数量和实际复杂性和心脏状态的理解的全面性直接相关。标准的12导联心电图被认为是在获取成本和临床效用的一种实用折中。

磁吸10个，还有手脚2个吗？

心电图

心电图记录的是心脏点活动的时间序列信号，每个心脏周期可以分解为留个不重叠的波形：P波，PR，QRS复合波，ST段，T波，TP段。通常的12导联心电图广泛用于心血管筛查，通常从6个肢体导联和5个胸导联采集10秒的记录。每个导联作为独立的传感器提供心脏电活动的空间不同视角，类似计算机视觉中的多视角摄像系统。

ECG心电图重建和合成

心电图采集过程中导联缺失，需要通过各个导联之间的相对关系重建合成。早期方法依赖线性编码，假设各个导联之间存在线性关系。之后，已开发出多种非线性方法，如RNN，LSTM，CNN等和GAN等方法更好地建模导联之间的复杂关系。

chen等，2021提出心电全景的概念，实现给定视角下对任意未见视图的合成。

现有方法存在缺陷

视角信息混叠：多视角特征平均融合导致波形诊断细节被抹平，少导联监督场景下问题更突出；
设备域差：不同采集设备的采样分布漂移，导致跨设备数据兼容性差；
视角偏移：电极贴放误差与患者个体解剖差异，造成实际采集视角与理论视角不符；
全景验证不足：公开数据集多为12导联，缺乏密集视角数据支撑全景合成能力的系统验证。

具体方法

给定：三个位置的波形，能够复原出任意位置的波形。完成任意视角下的波形复原，而不需另外测量。这就是心电全景的概念。

这再次应证了我的观点，大模型本质上就是一个可插值查询的数据库。只要是可插值的就可以做。

阶段1 任意配对预训练

针对不同设备传感器的差异，以及不同人在人口学特征上的差异。

NEF-NET V2 在异构设备的ECG病例中进行预训练，以学习基本的ECG模式，对于每个病例，被随机分为记录数据-查询数据两组。将两个肢导联指定为记录信号，这是必要的参考电位。loss使用MAE损失，就是1范数。

阶段2 设备校准

不同设备在心电图采集中存在差异——包括硬件设计，电极材料。需要设备校准，用于本地适应。使用MAE loss对目标设备中的所有记录-查询数据进行微调。

阶段3 时时校准

实际的ECG角度(θreal, φreal)往往会显著偏离理想角度(θ, φ).原因在于

电极放置的可变性
个体解剖差异

这些精确角度通常是难以直接获得，或者必然是有误差的。

引入了可学习的角偏差参数（dθ, dφ），添加到现有角度中，得到（θ+dθ, φ+dφ）为真实值。

根据临床心电图记录标准（最小持续10秒），前5秒用于模型在线校准。其他参数保持不变，只微调角度参数。

数据集Panobench

相比于以往工作，构建了一个新的基准数据集Panobench包含4470条持续10秒的记录，涵盖了48个视角（6个肢体导联和42个胸导联）。每个视角标注球面坐标。

以往的工作中，只包含了8/12个视图。

结论

这项工作将电生理全景合成从受控实验环境推进到实际应用场景。我们的关键方法贡献是重新定义ECG视图合成，受心脏向量理论以及Nef-Net特征平均方法作为直接视图到视图变换的局限性启发。

事实上，这篇文章也只是一个多视角下的重建心电图工作，算是一个基础性质的工作吧。