临床12-铅心电图（ECG）是遇到的最广泛的生物信息之一。尽管公共ECG数据集的可用性增加，但标签稀缺仍然是该领域的中央挑战。自我监督的学习代表了缓解这个问题的有希望的方式。在这项工作中，我们提出了从临床12引导ECG数据的自我监督代表学习的第一次全面评估。为此，我们基于对ECG域的实例辨别和潜在预测来适应最先进的自我监督方法。在第一步中，我们基于最近成立，全面的临床ECG分类任务的线性评估性能来学习对比表征并评估其质量。在第二步中，与纯粹监督性能相比，我们分析了自我监督预先训练对Fineetuned ECG分类器的影响。对于最佳性能的方法，对比预测性编码的适应性，我们发现线性评估性能下降低于监督性能的0.5％。对于FineTuned模型，与监督性能，标签效率以及对生理噪声的鲁棒性相比，我们发现下游性能大约1％的下游性能。这项工作明确建立了通过自我监督的学习和众多优势来提取从心电图数据提取歧视性表现的可行性，与纯粹的监督培训相比，在下游任务上的这种代表性上进行了多种优势。作为对其在公开可用的数据集的ECG域中进行的第一次全面评估，我们希望在生物资料中快速发展的代表学习领域建立一个可重复进展的第一步。