迷失在时间？面向时间偏移容错的生理信号转换元学习框架
机器学习
2025-11-27 v1
摘要
将非侵入性信号如脉搏血氧图 (PPG) 和弹性波图 (BCG) 翻译为临床意义上的血管血压 (ABP) 对实现持续、低成本的健康监测至关重要。然而，多模态信号转换中的时间错位会损害转换精度，尤其是在捕捉ABP峰值等关键特征方面。传统的同步方法常依赖强烈的相似性假设或需要手动调参，而现有的基于噪声标签的学习 (LNL) 方法在时间错位的监督下效果不佳，要么会丢弃大量数据，要么无法纠正标签的偏移。为此，我们提出了ShiftSyncNet，这是一个基于元学习的双层优化框架，自动缓解由于时间错位导致的性能下降。它由转换网络 (TransNet) 和时间偏移校正网络 (SyncNet) 组成，其中SyncNet学习训练数据对之间的时间偏移，并应用傅里叶相位移来对齐监督信号。在一个真实工业数据集和两个公开数据集上的实验表明，ShiftSyncNet分别比强大基线方法提升了9.4%、6.0%和12.8%。结果表明，其在纠正时间偏移、改善标签质量以及在多种错位场景下增强转换精度方面均具有有效性，指向了解决多模态生理信号转换中时间不一致性的统一方向。
引用
@article{arxiv.2511.21500,
title = {Lost in Time? A Meta-Learning Framework for Time-Shift-Tolerant Physiological Signal Transformation},
author = {Qian Hong and Cheng Bian and Xiao Zhou and Xiaoyu Li and Yelei Li and Zijing Zeng},
journal= {arXiv preprint arXiv:2511.21500},
year = {2025}
}
备注
The 40th Annual AAAI Conference on Artificial Intelligence (AAAI 26)