峰值检测器：通过生理体征中指令调整的 大语言模型 进行可解释的峰值检测

各种心脏生理信号（包括心电图 (ECG)、光电容积描记图 (PPG)、心冲击图 (BCG) 和体震描记图 (BSG)）的准确峰值检测对于心血管监测至关重要，但常常受到伪影和信号变异性的阻碍。传统算法通常是利用单一信号模态的专业知识来设计的，这限制了它们的通用性。相反，基于深度学习的方法往往缺乏可解释性，限制了专家验证的透明度并阻碍了专家与计算机的交互。为了解决这些限制，我们引入了 Peak-Detector，这是一种新颖的框架，它利用指令调整的 大语言模型 (LLM) 来实现稳健、跨模式和可解释的峰值检测。我们框架的核心创新是“峰值表示”技术，可将时间序列数据转换为压缩格式，保留关键事件信息，同时显着缩短信号长度。这种表示提供了关键的归纳偏差，指导 LLM 推理具有生理意义的事件，而不是原始的、嘈杂的数据。该模型通过两个阶段的过程进行优化：监督 微调 (SFT)，然后是具有多目标奖励函数的强化学习 (RL)。该模型的自解释能力是由 微调 在定制的峰解释数据集上培养的。 Peak-Detector 跨越四种模式（ECG、PPG、BCG 和 BSG），涵盖七个数据集（六个公共基准加一个真实世界队列），展示了强大的跨模式性能，在临床相关时间耐受性下实现了最佳或并列最佳检测。除了准确性之外，生成的基本原理还揭示了故障模式并支持验证和错误分析。