# UniECG: Understanding and Generating ECG in One Unified Model

**Authors:** Jiarui Jin, Haoyu Wang, Xiang Lan, Jun Li, Gaofeng Cheng, Hongyan Li, Shenda Hong  
**arXiv:** [2509.18588](https://arxiv.org/abs/2509.18588)  
**Date:** 2025-09-23  
**Summary page:** https://www.summarizepaper.com/fr/arxiv-id/2509.18588v1/

## Key points

- Les modèles unifiés récents comme GPT-5 ont progressé dans les tâches vision-langage
- Les modèles unifiés actuels échouent souvent à comprendre les signaux ECG et à fournir des diagnostics médicaux précis
- UniECG est le premier modèle unifié pour l'ECG capable d'interpréter et de générer des ECG basé sur du texte
- Approche d'entraînement en deux étapes: compétences d'interprétation puis génération de l'ECG
- UniECG peut choisir entre interpréter ou générer un ECG en fonction de l'entrée utilisateur
- Les auteurs ont développé UniECG pour combler le fossé entre compréhension et génération automatique des signaux ECG
- Contribution significative dans le domaine médical en permettant une interprétation plus précise et une génération assistée par texte pour les professionnels de santé travaillant avec des données ECG complexes
- Ouverture à de nouvelles applications potentielles dans le domaine de la santé numérique
- Les modèles unifiés récents comme GPT-5 ont progressé dans les tâches vision-langage.
- Les modèles unifiés actuels échouent souvent à comprendre les signaux ECG et à fournir des diagnostics médicaux précis.
- UniECG est le premier modèle unifié pour l'ECG capable d'interpréter et de générer des ECG basés sur du texte.
- Approche d'entraînement en deux étapes : compétences d'interprétation puis génération de l'ECG.
- UniECG peut choisir entre interpréter ou générer un ECG en fonction de l'entrée utilisateur.
- Les auteurs ont développé UniECG pour combler le fossé entre compréhension et génération automatique des signaux ECG.
- Contribution significative dans le domaine médical en permettant une interprétation plus précise et une génération assistée par texte pour les professionnels de santé travaillant avec des données ECG complexes.
- Ouverture à de nouvelles applications potentielles dans le domaine de la santé numérique.

## Summary

Les modèles unifiés récents tels que GPT-5 ont réalisé des progrès encourageants dans les tâches vision-langage. Cependant, ces modèles unifiés échouent généralement à comprendre correctement les signaux ECG et à fournir des diagnostics médicaux précis. Pour remédier à ces limitations, nous proposons UniECG, le premier modèle unifié pour l'ECG capable d'effectuer simultanément des tâches d'interprétation de l'ECG basées sur des preuves et de génération de l'ECG conditionnée par du texte. Grâce à une approche d'entraînement en deux étapes découplées, le modèle apprend d'abord des compétences d'interprétation basées sur des preuves (ECG-vers-Texte), puis injecte des capacités de génération de l'ECG (Texte-vers-ECG) via un alignement dans l'espace latent. UniECG peut choisir autonomement d'interpréter ou de générer un ECG en fonction de l'entrée utilisateur, étendant significativement les limites de capacité des modèles ECG actuels. Notre code et nos points de contrôle seront rendus publiquement disponibles sur https://github.com/PKUDigitalHealth/UniECG dès leur acceptation. Les auteurs Jiarui Jin, Haoyu Wang, Xiang Lan, Jun Li, Gaofeng Cheng, Hongyan Li et Shenda Hong ont développé ce modèle UniECG qui vise à combler le fossé entre la compréhension et la génération automatique des signaux ECG au sein d'un même cadre unifié. Cette avancée représente une contribution significative dans le domaine médical en permettant une interprétation plus précise et une génération assistée par texte pour les professionnels de santé travaillant avec des données ECG complexes. En mettant l'accent sur la formation progressive du modèle pour acquérir ces compétences distinctes mais complémentaires, UniECG ouvre la voie à de nouvelles applications potentielles dans le domaine de la santé numérique. En résumé, UniECG représente une avancée novatrice dans le domaine de la modélisation unifiée pour l'électrocardiographie en combinant efficacement interprétation basée sur des preuves et génération conditionnée par du texte. Cette approche prometteuse offre aux praticiens médicaux et aux chercheurs une nouvelle perspective pour améliorer la compréhension et la manipulation des données ECG complexes grâce à une seule architecture intégrée.