arXiv cs.AI· Jiaqi Wang, Wei Chen, Xiaoyu Li, Lexian Xia, ShuaiLong Tang, Chenran Zhang, Donglin Xie, Guangpu Zhu, Yelei Li, Yi Zhou·· 3 天前AI 评分22
HiPPT：通过多范围文本对齐的生理学基础可穿戴 PPG 表征学习
HiPPT: Physiology-Grounded Wearable PPG Representation Learning via Multi-Scope Text Alignment
AI 导读
研究者提出 HiPPT，一个将每种监督来源匹配到合适证据范围的生理学基础框架，用于可穿戴 PPG 表征学习。该工作构建了包含 202K 用户、超 400 万条腕戴记录与波形形态及元数据上下文描述配对的 PPG-Text 语料，结合记录级形态对齐与跨记录上下文对齐，并引入波形引导文本建模。
正文 · AI 翻译
摘要：可复用的可穿戴 PPG 表征应同时捕捉局部脉搏形态和更广泛的生理规律。然而，现有的预训练目标通常在记录或配对层面施加监督，忽略了不同概念在不同范围的心波形证据上才变得可靠。我们提出 HiPPT，一个以生理学为基础的框架，将每个监督来源与其适当的证据范围相匹配。我们构建了一个 PPG-Text 语料库，包含来自 202K 用户的超过 400 万条腕戴式记录，将记录与波形衍生的形态描述和元数据衍生的上下文描述配对。HiPPT 结合了记录级形态对齐（将单条记录锚定在脉搏特征上）与跨记录上下文对齐（聚合共享相同元数据元组的记录以捕捉上下文一致的规律）。波形引导的文本建模进一步从 PPG 片段表征中恢复被掩码的上下文概念，提供细粒度的波形-文本监督。在涵盖血压、血管硬度、生理属性和跨数据集心率估计的六项下游任务中，HiPPT 在主要线性探测指标上取得了最佳结果。对齐空间还支持对年龄组、性别和 BMI 类别的零样本画像，可单独或联合进行，且随着聚合更多记录而性能提升。这些结果表明，证据范围匹配能够产生可迁移且语义可访问的可穿戴 PPG 表征。代码和预训练权重将发布。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.14489 [cs.AI] |
| （或 arXiv:2610.14489v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14489 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Jiaqi Wang [查看邮箱]
[v1]
2026年10月10日 星期六 02:38:33 UTC（2,840 KB）
来源：arXiv cs.AI · arxiv.org