何时改变思考？面向心电图信号的能量基理论与概念漂移正则化器
机器学习
2026-03-02 v2
摘要
作用于动态生理信号的模型必须区分良性、标签保存的变异性与真正的概念漂移。现有的概念漂移框架大多基于分布式，无法为模型在底层信号因生理上可接受的能量变化时，其内部表征允许的移动量提供原则性指导。结果是，深度模型常常将振幅、频率或形态学的无害变化误解释为概念漂移，导致预测不稳定，尤其在多模态融合场景中尤为如此。本研究引入了生理能量守恒理论（PECT），这是一种用于动态信号概念稳定性的能量基框架。PECT 认为，在虚拟漂移情况下，归一化潜位位移应随归一化信号能量变化而比例缩放，而持续违反此比例性则指示真实的概念漂移。我们通过能量约束表征学习（ECRL）实现了这一原则，这是一种轻量级正则化器，对编码器架构不做修改，也不增加推理时的计算成本。虽然 PECT 针对一般动态信号进行了表述，但我们在 ECG 多模态信号上进行了实例化与评估。在七种单模态和混合模型中进行实验显示，在最强的三模态混合模型（1D+2D+Transformer）中，干净准确率从 96.0%降至 94.1%，而扰动准确率显著提升，从 72.6%提升至 85.5%，且融合表征漂移降低超过 45%。所有架构均呈现类似的趋势，提供了 PECT 作为连续生理信号概念稳定性能量漂移规律的实证依据。
引用
@article{arxiv.2602.22294,
title = {When Should a Model Change Its Mind? An Energy-Based Theory and Regularizer for Concept Drift in Electrocardiogram (ECG) Signals},
author = {Timothy Oladunni and Blessing Ojeme and Kyndal Maclin and Clyde Baidoo},
journal= {arXiv preprint arXiv:2602.22294},
year = {2026}
}