摘要
光电容积描记（PPG）、心电图（ECG）和血压（BP）等心血管信号本质上是相互关联和互补的，共同反映了心血管系统的健康状况。然而，它们在实时监测中的联合应用受到诸多采集挑战的严重限制，例如来自可穿戴设备的噪声记录和有创操作的负担。本文提出UniCardio，这是一个多模态扩散Transformer模型，可在统一的生成框架内重建低质量信号并合成未记录信号。其核心创新包括一个专门用于管理生成任务所涉及信号模态的模型架构，以及一个能融入不同模态组合的持续学习范式。通过利用心血管信号的互补性，UniCardio在信号去噪、插补和转换方面明显优于近期针对特定任务的基线方法。生成信号在检测异常健康状况和估计生命体征方面的性能与真实信号相当，即使在未见过的领域也是如此，同时确保了对人类专家的可解释性。这些优势确立了UniCardio作为推动人工智能辅助医疗的实用且稳健的框架。
数据与代码可用性
论文中使用的所有基准数据集均为公开可用，包括无袖带血压数据集、PTB-XL数据集、MIMIC数据集、MIMIC PERform AF数据集和WESAD数据集。实现代码可通过 Zenodo 获取。
模型与训练
UniCardio采用了一个统一的扩散Transformer架构，核心是管理多模态信号。模型设计了一个专门的模态特定前处理模块，将不同类型的心血管信号（如PPG、ECG、BP）映射到一个共享的表示空间中。随后，一个基于Transformer的扩散主干网络在这个统一的空间中进行生成建模，学习信号之间的复杂依赖关系和分布。
训练采用了持续学习范式，允许模型逐步学习和适应新的信号模态组合，而无需对旧任务进行大规模重新训练。这通过引入特定的正则化技术和知识保留机制来实现，以缓解灾难性遗忘问题。模型在多个公开的心血管信号数据集上进行了训练和评估。
性能与应用
在多种生成任务上，UniCardio均表现出色：
- 信号去噪：能够有效去除PPG和ECG信号中的噪声，信噪比提升显著。
- 信号插补：能够高保真地填补信号中缺失的片段。
- 信号转换：能够实现不同模态信号之间的转换，例如从PPG信号合成ECG信号。
生成的心血管信号在下游医疗应用中也得到了验证：
- 异常检测：使用生成信号训练的模型在检测心房颤动、心肌缺血等异常状况时，性能与使用真实信号训练的模型相当。
- 生命体征估计：基于生成信号估计的血压等生命体征参数具有临床可接受的精度。
- 可解释性：模型能够提供对生成过程的洞见，有助于专家理解和验证结果。
UniCardio框架展示了生成式人工智能在增强心血管监测和数据可用性方面的潜力，为开发更稳健、适应性更强的AI辅助医疗工具提供了新途径。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）
