一种用于建模心脏功能的掩码表示学习方法

在临床环境中，监测血流动力学对于管理患者预后至关重要， necessitating对多种生理信号的集成分析。虽然最近的研究分析了单一信号，如心电图（ECG）或光电血压（PPG），但尚未提出涵盖实际临床场景所需复杂信号分析的方法。本研究引入了SNUPHY-M（Seoul National University hospital PHYsiological signal Masked representation learning）模型，通过自监督学习（SSL）从三个被掩码的生理信号（ECG、PPG和动脉血压ABP）中提取反映心脏周期中电、压力和流体特征的生理特征。通过运用多种物理特征，模型仅使用非侵入性信号即可提取更丰富的特征。我们评估了模型在临床下游任务（如低血压、脉搏血压、收缩压、舒张压和年龄预测）中的性能。结果表明，SNUPHY-M在使用非侵入性信号进行预测任务方面显著优于监督或SSL模型。据我们所知，SNUPHY-M是首个将多模态SSL应用于心血管分析（涉及ECG、PPG和ABP信号）的模型。该方法有效支持临床决策，使无需侵入性即可实现精确诊断，为心血管功能的早期诊断和管理作出了重要贡献。