Este artículo se centra en la segmentación del electrocardiograma (ECG), que segmenta las características significativas de las formas de onda del electrocardiograma (ECG). Dado que los avances en el aprendizaje profundo se han visto limitados por la falta de conjuntos de datos anotados disponibles públicamente, el aprendizaje semisupervisado, que aprovecha datos de ECG enriquecidos y sin etiquetar, presenta una solución prometedora. En este estudio, presentamos SemiSegECG, el primer punto de referencia sistemático para la segmentación semántica semisupervisada (SemiSeg) en la segmentación de ECG. Seleccionamos e integramos múltiples conjuntos de datos públicos, incluyendo fuentes previamente no explotadas, para permitir evaluaciones robustas y diversas. Empleamos cinco algoritmos SemiSeg representativos de visión artificial, los implementamos en dos arquitecturas diferentes (Redes Neuronales Convolucionales [CNN] y Transformadores) y los evaluamos tanto en entornos intradominio como interdominio. También proponemos configuraciones de entrenamiento específicas para ECG y estrategias de aumento, e introducimos un marco de evaluación estandarizado. Nuestros resultados demuestran que los Transformadores superan a las CNN en la segmentación de ECG semisupervisada. Se espera que SemiSegECG sirva como base para avanzar en los métodos de segmentación de ECG semisupervisados y estimular futuras investigaciones en este campo.
