缺失模态可组合
该模型采用自监督跨模态学习，将心电图、光电容积脉搏波和动脉血压统一到同一高斯潜空间，并融合节律、年龄等元数据，实现对多种生理信号的一致表征。
72671559 · Li, Zhiyuan · Yuanyuan, Tian · 72671558 · Jin, Yanrui · 刘成良
Information Fusion 2025
采用product-of-experts技术，可组合可用模态进行推理，从而在部分信号缺失时仍能保持模型有效。
通过基于频率的注意力机制将元数据（包括昼夜节律、年龄和性别）与生物信号嵌入相结合，提升表征的上下文感知能力。
在下游不良事件预测任务中，模型优于单模态和其他现有方法，能更好地捕捉生理状态的复杂性。
在表型分析中，收缩压和舒张压的相关性估计均约为0.9，表明模型能有效捕获生理关系。