TS-P$^2$CL: Plug-and-Play Dual Contrastive Learning for Vision-Guided Medical Time Series Classification
计算机视觉与模式识别
2025-09-23 v1 人工智能
摘要
医学时间序列 (MedTS) 分类是智能医疗的关键环节，但因跨主体生成差异导致其效果严重受限。尽管架构创新和迁移学习技术取得进展，当前方法仍受限于模态特定的归纳偏置，限制了学习通用不变表示的能力。为此，我们提出 TS-PCL，一种新型即插即用框架，利用预训练视觉模型的通用模式识别能力。我们引入视觉引导范式，将 1 维生理信号转换为 2 维伪图像，建立了与视觉领域的桥梁。这种转换使我们能够隐式访问从自然图像中学习的丰富语义先验。在统一的空间中，我们采用双对比学习策略： intra-modal consistency 确保时间一致性，而 cross-modal alignment 将时间序列动力学与视觉语义对齐，从而缓解个体特定偏置，学习鲁棒的、领域不变的特征。六个 MedTS 数据集上的大量实验表明，TS-PCL 在主体依赖和主体独立设置下均 consistently 优于十四种方法。
引用
@article{arxiv.2509.17802,
title = {TS-P$^2$CL: Plug-and-Play Dual Contrastive Learning for Vision-Guided Medical Time Series Classification},
author = {Qi'ao Xu and Pengfei Wang and Bo Zhong and Tianwen Qian and Xiaoling Wang and Ye Wang and Hong Yu},
journal= {arXiv preprint arXiv:2509.17802},
year = {2025}
}
备注
12 pages, 4 figures