CPR：面向分布偏移下鲁棒心电分析的因果生理表征学习
机器学习
2026-01-01 v1 信号处理
摘要
用于心电图（ECG）诊断的深度学习模型已达到极高的准确率，但在面对对抗性扰动时表现出脆弱性，尤其是模拟生物形态的平滑对抗性扰动（SAP）。现有防御面临一个关键困境：对抗训练（AT）提供了鲁棒性，但计算负担过大；而像随机平滑（RS）这样的认证方法则引入了显著的推理延迟，使其不适用于实时临床监测。我们认为，这种脆弱性源于模型依赖于非鲁棒的虚假相关性，而非不变的病理特征。为解决此问题，我们提出了因果生理表征学习（CPR）。与无语义约束的标准去噪方法不同，CPR 在因果解耦框架内引入了生理结构先验。通过结构因果模型（SCM）对 ECG 生成过程进行建模，CPR 强制执行结构干预，将不变的病理形态（P-QRS-T 复合波）与非因果伪影严格分离。在 PTB-XL 上的实验结果表明，CPR 显著优于标准的临床预处理方法。具体而言，在 SAP 攻击下，CPR 的 F1 分数达到 0.632，比中值平滑（0.541 F1）高出 9.1%。至关重要的是，CPR 在保持单次推理效率的同时，达到了与随机平滑相当的认证鲁棒性，在鲁棒性、效率和临床可解释性之间提供了更优的权衡。
引用
@article{arxiv.2512.24564,
title = {CPR: Causal Physiological Representation Learning for Robust ECG Analysis under Distribution Shifts},
author = {Shunbo Jia and Caizhi Liao},
journal= {arXiv preprint arXiv:2512.24564},
year = {2026}
}