PulseBound: Future-Beat State Forecasting Under an Explicit Information Boundary
作者: Chenyang Xu, Donglin Xie, Xi Xiang, Xiaoyu Li, Yufan Lu, Jiqiun Gao, Yi Zhao, Xin-Yi Li, Guangpu Zhu, Zijian Wang, Xiwen Yang, Dezhen Wang, Lin Chen, Shenda Hong, Leilei Li
分类: cs.AI
发布日期: 2026-10-08
备注: under review
💡 一句话要点
提出PulseBound以解决PPG预测中的因果信息访问问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)
关键词: 光电容积脉搏波 因果信息访问 预测表示学习 生理信号分析 机器学习 心血管健康监测 模型泛化能力
📋 核心要点
- 现有方法在PPG预测中可能导致因果信息访问的违规，影响预测准确性。
- PulseBound通过引入存储窗口信息边界和前缀归一化，确保预测仅依赖于可见信息，避免因果信息泄露。
- 在多个数据集上，PulseBound在多个评估指标上表现优异，显著降低了预测误差，提升了模型的泛化能力。
📝 摘要（中文）
从光电容积脉搏波（PPG）进行预测表示学习时，即使使用因果注意力，依然可能违反因果信息访问。本文提出PulseBound，一种结合生理结构的未来脉搏预测与明确存储窗口信息边界的PPG表示学习方法。通过内容无关的截止点，将可见前缀与预测目标分开，确保编码器输入仅依赖于可见前缀和截止点。实验结果表明，PulseBound在MIMIC和VitalDB数据集上相较于最后可见脉搏的持久性，MAE降低了28.06%和22.22%。
🔬 方法详解
问题定义：本文旨在解决PPG预测中因果信息访问违规的问题。现有方法在进行预测时，可能会依赖于未公开的样本，从而影响预测的因果性和准确性。
核心思路：PulseBound的核心思路是通过引入一个明确的存储窗口信息边界，确保模型的预测仅依赖于可见的前缀信息，而不受后缀信息的影响。这样设计可以有效避免因果信息的泄露。
技术框架：PulseBound的整体架构包括前缀归一化、后缀替换和对齐掩码等模块。前缀归一化确保输入仅依赖于可见前缀，后缀替换则在构建派生视图之前进行，以保持信息的独立性。
关键创新：PulseBound的关键创新在于存储后缀不变性，即在固定模型状态下，改变存储后缀不会影响预测上下文。这一特性与现有方法的本质区别在于，后者通常会受到输入后缀的影响。
关键设计：在模型设计中，使用了共享的条件头来预测九个节律和形态描述符，并引入了元素级有效性掩码。此外，ECG衍生的脉搏到达时间监督仅限于训练阶段，以避免对预测的干扰。实验中，PulseBound在多个评估指标上表现出色，显示出其设计的有效性。
🖼️ 关键图片
📊 实验亮点
在MIMIC和VitalDB数据集上，PulseBound相较于最后可见脉搏的持久性，MAE分别降低了28.06%和22.22%。在13个下游任务的比较中，PulseBound在九个冻结线性探测和七个全微调任务中均取得了最佳平均表现，显示出其优越的泛化能力和预测性能。
🎯 应用场景
PulseBound的研究成果在医疗监测和健康管理领域具有广泛的应用潜力。通过提高PPG信号的预测准确性，该方法可以帮助医生更好地监测患者的心血管健康，及时发现潜在的健康问题。此外，PulseBound的设计理念也可以推广到其他生理信号的预测任务中，推动相关领域的发展。
📄 摘要（原文）
Predictive representation learning from photoplethysmography (PPG) can violate causal information access even with causal attention, as normalization, nonlocal transforms, or companion views may depend on withheld samples. We introduce PulseBound, a PPG representation learner combining physiologically structured future-beat prediction with an explicit stored-window information boundary. A content-independent cutoff separates the visible prefix from the prediction target. Prefix-only normalization, suffix replacement before derived-view construction, and aligned masking ensure that encoder inputs depend only on the visible prefix and cutoff. This yields stored-suffix invariance: with fixed model state, randomness, prefix, and cutoff, changing the stored suffix cannot change the forecast context. A shared horizon-conditioned head predicts nine rhythm and morphology descriptors for up to four extractor-valid future beats, using elementwise validity masks; optional ECG-derived pulse-arrival-time supervision is restricted to training. On MIMIC and VitalDB groups held out from PulseBound backbone pretraining, PulseBound reduces nine-state transformed-space MAE relative to last-visible-beat persistence by 28.06% and 22.22%, respectively, with gains in MAE, MAE-Skill, and Spearman correlation across all 40 source-cutoff-horizon cells. In a separate comparison of seven models on 13 downstream tasks, PulseBound achieves the best mean on nine frozen linear-probe and seven full-fine-tuning tasks. Stored-suffix interventions cause zero recorded changes in forecast contexts or predictions, with zero suffix-input gradients at audited precision under the stored-window interface. These findings separate three testable aspects of predictive physiological representation learning: information access, supervised future structure, and transfer.