딥러닝을 이용한 심전도(ECG) 신호 진단 및 분석 방법의 발전에도 불구하고, 다양한 구성의 ECG 신호 처리의 어려움과 불균형한 샘플로 인한 위험 신호 감지 부족이 임상 적용의 주요 장애물로 남아있습니다. 이러한 문제를 해결하기 위해, 본 논문은 다양한 ECG 신호를 균일하게 모델링하기 위해 그래프 기반 표현을 사용하는 혁신적인 접근 방식인 VersAtile and Risk-Sensitive cardiac diagnosis (VARS)를 소개합니다. VARS는 리드 수, 샘플링 주파수, 지속 시간에 관계없이 중요한 진단 특징을 포착하는 다재다능한 그래프 구조로 ECG 신호를 변환합니다. 또한, 그래프 중심의 공식은 진단 민감도를 향상시켜 표준 분석 방법으로는 종종 감지하기 어려운 비정상적인 ECG 패턴을 정확하게 찾아내고 식별할 수 있게 합니다. 표현 변환을 용이하게 하기 위해, 노이즈 제거 재구성과 대조 학습을 통합하여 원시 ECG 정보를 보존하면서 병리학적 패턴을 강조합니다. VARS의 효능은 구조적 변동성을 포괄하는 세 가지 별개의 ECG 데이터 세트에서 엄격하게 평가되었습니다. 결과는 VARS가 모든 데이터 세트에서 기존의 최첨단 모델을 일관되게 능가할 뿐만 아니라 위험 신호 식별에서 상당한 개선을 보임을 보여줍니다. 또한, VARS는 특정 모델 출력으로 이어지는 정확한 파형을 정확히 지적하여 해석 가능성을 제공함으로써, 임상의가 정보에 입각한 결정을 내리는 데 도움을 줍니다.
