원본 ECG 데이터 재사용 없이 지속적인 ECG 분석을 위한 전문가 유지와 자율적 데이터 소스 추론 분리

Separating Expert Retention from Autonomous Source Inference in Raw-ECG-Replay-Free Continual ECG Deployment

다중 데이터 소스를 활용한 ECG 분석 시스템에서, 이전의 원본 ECG 데이터를 보관하거나 재생할 수 없을 때 모델은 새로운 데이터 소스를 통합해야 합니다. 사전 학습된 핵심 네트워크를 고정하고 각 데이터 소스에 독립적인 분류기를 할당하면 파라미터 간섭을 방지할 수 있지만, 메타데이터가 없는 경우 여전히 어떤 전문가를 선택할지 결정해야 하는 문제가 발생합니다. 본 연구에서는 exttt{ours}라는 방법을 통해 이 문제를 해결하고자 합니다. exttt{ours}는 고정된 1024차원 ECGFounder 특징 기반의 점진적인 전문가 집합입니다. 새로운 데이터가 추가될 때마다 균형 잡힌 softmax 선형 전문가가 추가되고, 가벼운 라우터는 지금까지 관찰된 데이터 소스의 보관된 학습 특징과 도메인 레이블만 사용하여 학습됩니다. 검증을 통해 조정된 마진 규칙은 가장 가능성이 높은 상위 2개 전문가의 결과를 결합하여 단일 전문가에 의존하는 것보다 더 나은 성능을 제공합니다. CPSC, PTB-XL, Georgia 및 Chapman-Shaoxing 데이터셋에서, 데이터 소스 정보를 활용한 전문가 선택은 $0.7915 extpm{}0.0036$의 Macro-F1 값을 달성했습니다. 이는 독립적인 참조 모델($0.7885 extpm{}0.0009$)보다 우수하며, 데이터 소스 정보를 활용한 전문가 유지의 효과를 입증합니다. 데이터 소스 ID 없이 MLP 라우터를 사용할 경우 $0.7756 extpm{}0.0027$의 성능을 보이며, 상위 2개 전문가 결과를 결합하는 방식은 $0.7782 extpm{}0.0022$의 성능을 보입니다. 상위 2개 전문가 결과 결합 방식이 단일 전문가를 사용하는 것보다 약간 더 나은 성능($+0.0026$)을 보이지만, 쌍별 부트스트랩 분석 결과 95% 신뢰 구간에 0이 포함되어 있어 그 효과가 미미합니다. 세 가지 데이터 순서에서 상위 2개 전문가 방식과 최적(oracle) 방식 간의 격차는 $0.0111$에서 $0.0133$ 사이로 유지됩니다. 이는 자율적인 데이터 소스 추론이 해결해야 할 주요 과제임을 시사합니다. 본 방법은 원본 ECG 데이터를 재생하지 않지만, 라우터 업데이트를 위해 고정된 학습 특징을 보관하므로 메모리 사용량이 전혀 없는 것은 아닙니다.

In multi-source ECG deployment, models may need to incorporate new data sources when earlier raw ECGs cannot be retained or replayed. Freezing a pretrained backbone and assigning each source an isolated classifier prevents parameter interference, but deployment still requires selecting an expert when source metadata are unavailable. We study this distinction through \ours{}, an incremental expert bank built on frozen 1024-dimensional ECGFounder features. Each arriving domain adds a balanced-softmax linear expert, while a lightweight router is fitted only on retained training features and domain labels from sources observed so far. A validation-calibrated margin rule fuses the two most likely experts instead of committing to a single routed expert. On CPSC, PTB-XL, Georgia, and Chapman-Shaoxing, source-aware expert selection reaches $0.7915\pm0.0036$ Macro-F1 and a matched offline independent-head reference reaches $0.7885\pm0.0009$, supporting strong source-aware expert retention. Without source IDs, an MLP router reaches $0.7756\pm0.0027$ and top-2 margin fusion reaches $0.7782\pm0.0022$. The top-2 gain over hard MLP routing is small ($+0.0026$), with a 95\% confidence interval from paired bootstrap that includes zero. Across three domain orders, the top-2-to-oracle gap remains $0.0111$--$0.0133$, identifying autonomous source inference as the main remaining bottleneck. No raw ECGs are replayed, but frozen training features are retained for router updates; the method is therefore not memory-free.