面向生物年龄预测的开源 PPG 基础模型基准测试
机器学习
2026-03-17 v1
摘要
一个针对 212,231 名 UK Biobank 受试者训练的任务特定模型用于预测血管年龄（AI-PPG Age），在不同临床人群中表现失效：预测值无论真实年龄如何，都坍缩为狭窄的 38-67 岁范围。而一个无年龄相关训练目标的通用型基础模型在相同数据上获得更低的误差。我们调查这一现象的原因及其对 PPG-based 生物年龄预测的意义。我们在 906 名手术患者（PulseDB）上评估了三个开源 PPG 模型（Pulse-PPG、PaPaGei-S、AI-PPG Age），使用冻结嵌入配合 Ridge 回归和 5 折交叉验证。Pulse-PPG 达到 MAE = 9.28 年，优于 AI-PPG Age 的线性探针模式（9.72）和结合 HR/HRV 与人口统计信息（9.59）。加入人口统计特征后，最佳结果降至 MAE = 8.22 年（R2 = 0.517, r = 0.725）。预测年龄差与调整后年龄相关的舒张压呈负相关（r = -0.188, p = 1.2e-8），这与 Apple 其专有 PpgAge 模型所报告的一致。剩余差距（MAE 2.43）似乎由数据集规模（906 vs 213,593）和人群差异驱动，而非模型架构驱动，正如我们的学习曲线所示没有出现平台期。代码已公开。
引用
@article{arxiv.2603.14030,
title = {Benchmarking Open-Source PPG Foundation Models for Biological Age Prediction},
author = {N. Brag},
journal= {arXiv preprint arXiv:2603.14030},
year = {2026}
}
备注
11 pages, 4 figures, 3 tables. Code available at https://github.com/Misterbra/ppg-age-benchmark