高效多视图融合与灵活适配视图缺失的心血管系统信号

深度学习的进步和传感器的广泛采用，促进了关于心血管系统（CVS）信号的自动多视图融合（MVF）。然而，流行的MVF模型架构常将来自相同时间步且不同视图的CVS信号融合为统一表示，忽视了心血管事件的异步性质以及跨视图的内在异质性，导致严重的视图混淆。针对MVF模型的高效训练策略以实现全面表示迫切需要同时考虑。关键的是，现实数据经常以不完整视图形式到达，这一方面鲜有研究者注意。因此，特别设计了视图中心变换器（View-Centric Transformer, VCT）和多任务掩码自编码器（Multitask Masked Autoencoder, M2AE），以强调每个视图的中心性，并利用无标签数据实现卓越的融合表示。此外，我们首次系统定义视图缺失问题，并引入提示技术以帮助预训练MVF模型灵活适应各种视图缺失场景。涉及房颏检测、血压估计和睡眠分期等严格实验——典型健康监测任务——证明了我们方法在MVF中相对于现有方法的显著优势。值得注意的是，提示技术只需对整个模型的数据进行少于3%的微调，大幅提升了模型对视图缺失的韧性，同时规避了完全重新训练的需求。结果表明，我们的方法有效性，凸显了其在心血管健康监测中的潜在应用。代码和模型已发布于URL。