事件场：学习波形基础模型的潜在事件结构

我们提出了一类新的波形基础模型，它通过将生理时间序列建模为潜在事件过程的实现来区别于传统的基于序列的表示。我们的方法不是将信号视为局部标记或补丁的集合，而是假设具有临床意义的结构源自时间扩展的相互作用事件，其边界和动态无法直接观察到。为了捕获这种结构，我们引入了一个自监督学习框架，该框架强制同一波形的随机分段和时频投影之间的一致性，鼓励对信号级扰动不变的表示，同时保留事件级组织。生成的模型将分段感知编码器与潜在交互运算符相结合，捕获推断事件之间的依赖关系，并通过共享事件表示来对齐模态，自然地扩展到多模态设置。在一系列生理基准（包括心律失常分类、血流动力学预测和波形检索）中，所提出的方法相对于基于强序列的基线提高了性能、鲁棒性和标签效率。这些结果表明，从以信号为中心的表示转向以事件为中心的表示为建模生理动力学提供了更合适的归纳偏差，并为扩展医疗保健中的基础模型提供了补充路径。