该模型已通过 PytorchModelHubMixin 集成推送到 Hub：

• 代码：https://github.com/dlaskalab/bench-xecg/
• 论文：BenchECG and xECG: a benchmark and baseline for ECG foundation models

要使用此模型，请先将 xECG.py 复制到您的代码中，并确保已安装 requirements.txt 中的依赖项，然后：

from xECG import xECG

model = xECG.from_pretrained("riccardolunelli/xECG_base_model_v1")

重要提示：将信号输入模型时，请确保导联顺序遵循以下排列：['i', 'ii', 'iii', 'avr', 'avl', 'avf', 'v1', 'v2', 'v3', 'v4', 'v5', 'v6']。

若应用场景中可用导联数量较少，只需将缺失导联的值设为零。

该模型会同时返回最终的补丁集和池化表示。

我们提供了一个用于ECG任务的类，其头部基于池化表示构建，即downstream_models.xECGClassification：此类别适用于信号级任务，例如分类、回归等。

此外，我们还提供了另一个类，其头部附加在每个补丁上，即downstream_models.xECGFeatureClassification：此类别适用于诸如分割（头部输出与原始补丁大小相同，均为25）或心跳级分类等任务。