本論文は、心電図（ECG）波形の意味のある特徴を分割する心電図分割（ECG delineation）に焦点を当てています。公的に利用可能な注釈付きのデータセットの欠如により、深い学習を使用した進歩が限られていたため、豊富な非表示ECGデータを活用する準指導学習が有望な解決策として提示されます。この研究では、ECG分割における準地図セマンティクス分割（SemiSeg）のための最初の体系的なベンチマークであるSemiSegECGを提示します。従来使用されていないソースを含む複数のパブリックデータセットをキュレートして統合し、強力で多様な評価をサポートします。コンピュータビジョンでは、5つの代表的なSemiSegアルゴリズムを採用し、合成積ニューラルネットワークとトランスの2つの異なるアーキテクチャに実装し、ドメイン内とドメイン間の2つの設定で評価しました。また、ECG固有のトレーニング構成と拡張戦略を提案し、標準化された評価フレームワークを導入しました。結果は,トランスが準マップECG分割における合成積ニューラルネットワークより性能が優れていることを示した。 SemiSegECGは、準指導ECG分割法を開発し、この分野のさらなる研究を促進するための基盤になると予想されます。
