PULSE：用于可变导联 ECG 表征学习的生理锚定集合编码

基于摘要分析。PULSE 针对 ECG 表征模型通常依赖固定导联配置的问题，以生理锚定集合编码支持标准 12 导联的任意子集与排列，目标是用同一编码器兼顾导联变化、紧凑建模和边缘部署；研究对象是 ECG，而非 EEG 或 BCI。 模型独立编码各导联，不使用显式导联身份嵌入，再通过两个并行分支聚合：一个分支使用单个成对跨导联注意力块建模导联交互，并以排列不变的集合聚合汇总；另一分支汇总不随其他导联是否存在而改变的逐导联表征。自监督预训练对随机导联子集施加时间掩码，预测从对应干净信号计算的固定形态与节律描述符。微调后的单一模型可处理不同导联配置，无需针对每种配置重新训练。 作者报告，在多个 ECG 数据集和导联配置上，PULSE 相比既有自监督 ECG 表征学习方法取得相当或更好的表现，并保持可变导联设置下的鲁棒性；摘要未提供数据集名称、划分、具体指标或基线数值。作者还报告，模型参数量为 0.43M，在 Raspberry Pi 4B 上处理一段 10 秒 ECG 约需 90 毫秒，超过实时速度的 100 倍，且准确率与工作站运行一致；具体运行配置、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其集合聚合和双分支机制可能对应 EEG 通道缺失与排列变化的处理需求，但这只是假设。可复用的是集合编码框架；需重新设计 EEG 自监督目标，并核对是否需要电极位置或身份信息。ECG 形态与节律描述符不能直接作为 EEG 的有效监督，低信噪比、跨被试差异及小数据还可能削弱迁移效果。一个可检验的小实验是在固定跨被试划分下，对同一 EEG 任务施加不同程度的通道缺失和排列扰动，比较双分支、单分支及固定通道基线，单独检验配置鲁棒性。相关 EEG 工作尚未检索确认。