주파수 기반 심전도 신호 특화 사전학습 방법 제안 = A Frequency-Based Pre-training Method for ECG Signal Classification

국문 초록 (Abstract)

본 논문은 심전도(ECG) 기반 심혈관 질환 진단 성능 향상을 위해 주파수 도메인을 활용한 사전학습 방법을 제안한다. 심장 질환 진단에 필수적인 심박의 간격, 파형 이상, 불규칙성 등 모든 특징은 신호의 푸리에 변환을 통해 얻어지는 진폭 스펙트럼에 압축되어 나타난다. 본 연구는 ECG 신호를 입력으로 하여 이처럼 핵심 정보를 포괄하는 진폭 스펙트럼을 예측하는 사전학습 task를 수행함으로써, 모델이 진단에 필수적인 특징을 효과적으로 인코딩하도록 설계되었다. 실험 결과, 제안 모델은 리듬(Rhythm) 분류 task에서 기존 모델을 압도하는 성능을 보이며 주기성 모델링 능력을 명확히 입증했다. 반면, 형태 기반 task(Form, Super)의 Linear Probing 성능은 상대적으로 낮았는데, 이는 학습 우선순위로 인한 미세 주파수 성분의 정보 누락 때문으로 해석된다. 그러나 미세 조정(Fine Tuning) 시 Super 태스크에서 최고 성능을 달성하여, 주파수 기반 표현이 갖는 높은 정보 밀도와 적응성을 증명했다. 본 연구는 ECG 진단에 있어 주파수 도메인 기반 사전학습의 유효성을 확립했다는 데 의의가 있다. 향후 연구는 Linear Probing 성능을 개선하고 모델의 범용성을 높이기 위해, 진폭이 작은 미세 주파수 성분까지 효율적으로 학습할 수 있도록 인코더 구조를 보강하는 방향으로 진행될 계획이다.

다국어 초록 (Multilingual Abstract)

This paper proposes a novel pre-training method utilizing the frequency domain to enhance the diagnostic performance for cardiovascular diseases (CVDs) based on electrocardiogram (ECG) signals. We designed a task where the model predicts the Amplitude Spectrum—which comprehensively encodes all essential cardiac features, including heart rate intervals and waveform abnormalities—from the raw ECG input.
Experimental results demonstrated outperforming performance in the Rhythm classification task, clearly validating the model's ability for periodicity modeling. Although Linear Probing for morphology tasks (Form and Super) was relatively weak, interpreted as a consequence of fine frequency component loss due to reconstruction prioritization, the model achieved the highest performance in the Super task upon Fine Tuning. This confirms the high information density and superior adaptability of the frequency-based representations. This research establishes the effectiveness of the frequency domain pre-training paradigm. Future work will focus on enhancing the encoder structure to efficiently capture small-amplitude fine frequency components, thereby improving Linear Probing performance and model universality.

목차 (Table of Contents)

• 1. 서론 1
• 2. 이론적 배경 6
• 2.1 사전학습 (Pre-training) 6
• 2.2 푸리에 변환 및 주파수 기반 시계열 모델 7
• 2.2.1 푸리에 변환 7
• 2.2.2 주파수 정보 활용 시계열 모델링 연구 동향 8
• 2.3 관련 연구 9
• 2.3.1 생성 기반 사전학습 (Generative Pre-training) 9
• 2.3.2 다중 모달 기반 사전학습 (Multimodal Pre-training) 10
• 3. 연구 방법 12
• 3.1 연속된 패치 입력 12
• 3.2 진폭 스펙트럼 예측 작업 13
• 3.3 Backbone 모델 구조 14
• 4. 연구 결과 17
• 4.1 실험 환경 17
• 4.1.1 사전학습 환경 17
• 4.1.2 다운스트림 작업 환경 18
• 4.2 실험 결과 21
• 4.2.1 다운스트림 작업 결과 21
• 4.2.2 사전학습 입력 길이 비율 조정에 따른 다운스트림 성능 비교 26
• 4.2.3 진폭 스펙트럼 지도학습 실험 28
• 5. 결론 및 논의 30
• 참고문헌 32