PulseBound：显式信息边界下的未来状态预测

即使有因果注意，从光电体积描记法（PPG）学习的预测表示也可能违反因果信息访问，因为归一化、非局部变换或伴随视图可能依赖于保留的样本。我们引入了 PulseBound，一种 PPG 表示学习器，它将生理结构的未来节拍预测与显式存储窗口信息边界相结合。与内容无关的截止将可见前缀与预测目标分开。仅前缀归一化、派生视图构造之前的后缀替换以及对齐掩码确保编码器输入仅依赖于可见前缀和截止值。这产生了存储后缀不变性：在固定模型状态、随机性、前缀和截止的情况下，更改存储后缀无法更改预测上下文。共享的水平条件头部使用元素有效性掩模来预测最多四个提取器有效的未来节拍的九个节奏和形态描述符；可选的心电图衍生脉冲到达时间监控仅限于训练。关于 PulseBound 举办的 MIMIC 和 VitalDB 小组 在主干预训练中，PulseBound 相对于最后可见节拍持久性，分别将九状态变换空间 MAE 降低了 28.06% 和 22.22%，所有 40 个源截止范围单元的 MAE、MAE-Skill 和 Spearman 相关性均有所提高。在对 13 个下游任务的 7 个模型进行单独比较时，PulseBound 在 9 个冻结线性探针和 7 个完全微调任务上实现了最佳平均值。存储后缀干预导致预测上下文或预测中记录的变化为零，在存储窗口接口下的审计精度下后缀输入梯度为零。这些发现将预测生理表征学习的三个可测试方面分开：信息访问、监督未来结构和迁移。