Patient-Aware Contrastive Learning Preserves Per-Patient Structure in RR-Interval Representations

📄 arXiv: 2606.23570v1 📥 PDF

作者: Yasantha Niroshana, Weijith Wimalasiri, Chathuranga Hettiarachchi

分类: cs.LG

发布日期: 2026-06-22

💡 一句话要点

提出患者感知对比学习以解决RR间期表示中的个体结构保留问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)

关键词: 对比学习 生理信号 个体结构 心房颤动 深度学习 医疗应用 模型泛化

📋 核心要点

  1. 现有的对比学习方法在处理生理信号时，容易将个体差异合并为类别簇，导致模型泛化能力不足。
  2. 本文提出了一种患者感知的对比学习目标，仅从同患者、同类别的片段中形成正样本对，以保留个体基线。
  3. 在IRIDIA-AF数据集上，提出的方法实现了0.989的AUROC，且相较于监督对比学习基线，种子方差降低了2.6倍。

📝 摘要（中文）

对比表示学习在生理信号处理时面临挑战，尤其是当每个受试者有不同的基线模式时。现有的监督对比学习方法往往将个体结构合并为单一类别簇，导致模型在未见患者上的泛化能力下降。本文针对阵发性心房颤动（PAF）检测中的RR间期（RRI）序列，提出了一种患者感知的对比目标，仅从同患者、同类别的片段中形成正样本对，从而保留每位患者的窦性心律基线，同时推动两个类别之间的分离。实验结果表明，该方法在每位患者的结构一致性上表现优异，且在IRIDIA-AF数据集上实现了0.989的患者独立接收器操作特征曲线（AUROC），显示出个体几何一致性在跨患者泛化中的重要性。

🔬 方法详解

问题定义：本文解决的问题是如何在对比学习中保留每位患者的个体结构，避免现有方法将个体差异合并为类别簇，从而影响模型在未见患者上的泛化能力。

核心思路：论文提出的核心思路是设计一种患者感知的对比学习目标，该目标仅从同一患者的同一类别片段中形成正样本对，以保留个体的窦性心律基线，同时推动不同类别之间的分离。

技术框架：整体架构包括数据预处理、正样本对生成、对比学习损失计算和模型训练四个主要模块。数据预处理阶段确保输入信号的质量，正样本对生成阶段则依据患者和类别进行样本配对。

关键创新：最重要的技术创新在于提出了患者感知的对比目标，这一设计与传统的监督对比学习方法不同，后者往往将不同患者的样本合并，导致个体结构的丢失。

关键设计：在损失函数设计上，采用了针对患者的对比损失，确保正样本对仅来自同一患者的片段。同时，网络结构经过优化，以提高对个体差异的敏感性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，提出的方法在每位患者的结构一致性上达到了0.850的凝聚度，相较于监督对比损失的0.800和二元交叉熵的0.772，表现出更好的个体结构保留能力。此外，在IRIDIA-AF数据集上，模型实现了0.989 ± 0.003的AUROC，且种子方差降低了2.6倍，显著提升了模型的稳定性。

🎯 应用场景

该研究的潜在应用领域包括医疗健康监测、心脏病检测及个性化医疗。通过保留患者个体结构，模型能够更好地适应不同患者的生理特征，提高疾病检测的准确性和可靠性，未来可能推动个性化医疗的发展。

📄 摘要（原文）

Contrastive representation learning struggles on physiological signals when each subject contributes a distinct baseline pattern. If class differences overlap with subject differences,class-level objectives such as supervised contrastive learning tend to merge per-subject structure into a single per-class cluster,removing the individual variation that a model needs to generalize to unseen patients. We study this problem in the setting of Paroxysmal Atrial Fibrillation(PAF) detection from RR-interval(RRI) sequences and propose a patient-aware contrastive objective that forms positive pairs only from same-patient, same-class segments, preserving each patient's own sinus rhythm(SR) baseline while still pushing the two classes apart. Examining the learned embeddings directly, our objective achieves the most consistent per-patient SR structure (cohesion $0.850$ vs. $0.800$ for supervised contrastive loss (SupCon) and $0.772$ for binary cross-entropy (BCE)). We also identify that BCE produces the cleanest global class separation yet the most disordered per-patient structure. This is precisely why a linear probe trained on its features breaks down on unseen patients. On the IRIDIA-AF dataset, the resulting representation reaches a patient-independent Area Under the Receiver Operating Characteristic Curve (AUROC) of $0.989 \pm 0.003$ with $2.6\times$ lower seed variance than supervised contrastive baselines.These results highlight that per-subject geometric consistency, rather than global class separability, is key to robust cross-patient generalization.