峰值检测器：基于指令微调的大型语言模型在生理信号中的可解释性峰值检测方法

《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》：Peak-Detector: Explainable Peak Detection via Instruction-Tuned Large Language Models in Physiological Signal

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多信息登录

摘要

摘要

在包括心电图（ECG）、光电容积脉搏波图（PPG）、弹道心动图（BCG）和身体地震图（BSG）在内的多种心脏生理信号中实现准确的峰值检测，对于心血管监测而言至关重要，但往往会受到信号干扰和变异性的影响。传统算法通常是基于专家知识针对单一信号类型设计的，这限制了它们的通用性。而基于深度学习的方法则往往缺乏可解释性，难以让专家进行验证，也不利于专家与系统的互动。为了解决这些问题，我们提出了Peak-Detector这一新型框架，它利用经过指令调优的大型语言模型来实现强大、跨模态且可解释的峰值检测功能。该框架的一项核心创新是“峰值表示”技术，它能将时间序列数据转换为简化的格式，在保留关键事件信息的同时大幅缩短信号长度。这种表示方式能为大型语言模型提供重要的归纳偏差，使其能够基于具有生理意义的事件而非原始的噪声数据来进行推理。该模型的优化分为两个阶段：首先是监督微调，然后是通过多目标奖励函数进行强化学习。此外，还通过在一个专门构建的峰值解释数据集上对模型进行微调，来提升其自我解释能力。在ECG、PPG、BCG和BSG四种信号类型以及七个数据集（六个公共基准数据集加上一个真实世界数据集）的测试中，Peak-Detector展现了出色的跨模态性能，在临床相关的时间容忍度范围内实现了最佳或接近最佳的检测效果。除了准确性之外，该模型生成的推理结果还能揭示故障模式，有助于进行验证和错误分析。总体而言，这些结果表明该框架具备透明性和通用性，可用于可靠的峰值分析及心血管指标提取。

AI总结

AI生成的总结（实验性内容）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的关联性，以及便于相关领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结部分。全文仍是具有权威性的版本。点击此处了解更多。

点击此处，可以对该总结的准确性、清晰度和实用性发表意见。您的反馈将有助于进一步优化未来的生成版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。