面向PPG基础模型的小波驱动掩码多尺度重建
机器学习
2026-01-21 v1 人工智能
摘要
可穿戴基础模型有潜力通过学习从日常环境中收集的大规模生物信号的可迁移表示来变革数字健康。尽管近期在大规模预训练方面取得了进展，但大多数方法忽视了光电容积脉搏波（PPG）信号的谱结构，其中生理节律在多个频带上展开。鉴于许多下游健康相关任务依赖于从细粒度波形形态到全局节律动态的多分辨率特征这一洞察，我们提出了用于PPG表示学习的掩码多尺度重建（MMR）——一种自监督预训练框架，它显式地从PPG数据的层次化时频尺度中学习。预训练任务旨在重建从基于小波的PPG信号多分辨率分解中获得的随机掩码系数，迫使Transformer编码器整合跨时间和频谱尺度的信息。我们使用来自约32,000名智能手表用户的约1700万个无标签10秒PPG片段，通过MMR预训练我们的模型。在19项多样化的健康相关任务中的17项上，基于大规模可穿戴PPG数据训练的MMR优于或匹敌最先进的开源PPG基础模型、时间序列基础模型以及其他自监督基线。对我们学习到的嵌入的广泛分析和系统性消融实验强调了基于小波的表示的价值，表明它们捕获了鲁棒且基于生理学的特征。这些结果共同凸显了MMR作为迈向通用PPG基础模型一步的潜力。
引用
@article{arxiv.2601.12215,
title = {Wavelet-Driven Masked Multiscale Reconstruction for PPG Foundation Models},
author = {Megha Thukral and Cyrus Tanade and Simon A. Lee and Juhyeon Lee and Hao Zhou and Keum San Chun and Migyeong Gwak and Viswam Nathan and Md Mahbubur Rahman and Li Zhu and Mehrab Bin Morshed and Subramaniam Venkatraman and Sharanya Arcot Desai},
journal= {arXiv preprint arXiv:2601.12215},
year = {2026}
}