使用多模态生理监督的稳健 PPG 基础模型

光电体积描记法 (PPG) 是一种血容量变化的无创测量方法，广泛应用于可穿戴设备和临床环境中。最近的 PPG 基础模型要么使用开源 ICU 数据集，其预训练范式需要精选数据，从而使类场数据的泛化变得复杂，要么使用闭源类场 PPG 数据。相比之下，我们提出了一种 PPG 基础模型，不需要高质量或类似现场的预训练数据，而是利用 ICU 数据集中的心电图和呼吸信号来在预训练期间选择对比样本。我们的方法允许模型保留嘈杂的 PPG 片段并从中学习，从而提高推理的稳健性。我们的模型预训练的对象比现有最先进方法少了 3 倍，在 15 种不同的下游任务中的 14 种中实现了性能改进，包括类似现场的日常活动和心率预测。我们的结果表明，多模态监督可以整合互补的生理信息，以提高 PPG 基础模型的稳健性，并增强其对消费者级数据的泛化。