यह शोधपत्र इलेक्ट्रोकार्डियोग्राम (ईसीजी) विभाजन पर केंद्रित है, जो इलेक्ट्रोकार्डियोग्राम (ईसीजी) तरंगों से सार्थक विशेषताओं का विभाजन करता है। चूँकि गहन शिक्षण का उपयोग करने वाली प्रगति सार्वजनिक रूप से उपलब्ध एनोटेटेड डेटासेट की कमी के कारण सीमित रही है, इसलिए समृद्ध, लेबल रहित ईसीजी डेटा का लाभ उठाने वाला अर्ध-पर्यवेक्षित शिक्षण एक आशाजनक समाधान प्रस्तुत करता है। इस अध्ययन में, हम सेमीसेगईसीजी प्रस्तुत करते हैं, जो ईसीजी विभाजन में अर्ध-पर्यवेक्षित सिमेंटिक विभाजन (सेमीसेग) के लिए पहला व्यवस्थित मानक है। हम पहले से अप्रयुक्त स्रोतों सहित कई सार्वजनिक डेटासेट को क्यूरेट और एकीकृत करते हैं, ताकि सुदृढ़ और विविध मूल्यांकन संभव हो सकें। हम कंप्यूटर विज़न से पाँच प्रतिनिधि सेमीसेग एल्गोरिदम का उपयोग करते हैं, उन्हें दो अलग-अलग आर्किटेक्चर—कन्वोल्यूशनल न्यूरल नेटवर्क्स (सीएनएन) और ट्रांसफॉर्मर्स—पर लागू करते हैं और उनका मूल्यांकन डोमेन के भीतर और क्रॉस-डोमेन, दोनों सेटिंग्स में करते हैं। हम ईसीजी-विशिष्ट प्रशिक्षण विन्यास और संवर्द्धन रणनीतियाँ भी प्रस्तावित करते हैं, और एक मानकीकृत मूल्यांकन ढाँचा प्रस्तुत करते हैं। हमारे परिणाम दर्शाते हैं कि ट्रांसफॉर्मर्स अर्ध-पर्यवेक्षित ईसीजी विभाजन में सीएनएन से बेहतर प्रदर्शन करते हैं। सेमीसेगईसीजी से अर्ध-पर्यवेक्षित ईसीजी विभाजन विधियों को आगे बढ़ाने और इस क्षेत्र में आगे अनुसंधान को प्रोत्साहित करने के लिए आधार के रूप में काम करने की उम्मीद है।
