《Advanced Science》：Discovering Interpretable Semantics from Radio Signals for Contactless Cardiac Monitoring
编辑推荐：
编者推荐：
本研究针对新兴无接触式心脏监测中的核心挑战——“语义鸿沟”，创新性地提出了一种基于信息瓶颈（Information Bottleneck）的语义表征框架。该框架巧妙融合模态内语义不变性压缩与跨模态（无线电信号与心电图[ECG]）语义对齐，成功地将高维、复杂的无线电测量信号转化为结构化的、临床可解释的语义表征。在9518名门诊患者的大规模队列中验证显示，该方法在心律监测（RR间期误差中位数9.4 ms）和心律失常（如房颤[AF]、早搏[PB]）诊断（F1分数分别达0.929和0.867）上均达到临床级别性能，并实现了长期日常生活的有效部署，为心脏疾病（CVD）的零负担、连续性主动健康管理奠定了可靠且透明的技术基础。
引言：突破“语义鸿沟”的无接触心脏监测新范式
心脏监测的核心在于语义理解，即将观测到的信号模式映射到具有生理学意义的“语义”。在成熟的生物信号如心电图（ECG）中，PQRST复合波的形态学特征构成了可解释的语义框架。近年来，利用无线电信号进行心脏监测因其完全无接触、无操作的优点而备受关注，为从医院被动监测转向个性化主动健康管理提供了可能。然而，现有方法或依赖手工特征，或采用端到端黑盒模型，均绕过了关键的语义层，导致性能受限且缺乏临床可解释性，这构成了制约该技术临床转化的根本障碍。
无线电信号的语义建模：基于语义不变性的信息瓶颈求解
本研究旨在解决上述“语义鸿沟”，为无线电信号构建可解释的语义表征框架。我们将语义建模表述为一个信息瓶颈问题，目标是从无线电信号X中学习一个潜在表示Z，使其在最大程度保留目标语义S信息的同时，最小化与原始信号X的互信息。由于直接求解困难，我们提出了利用信号内在的语义不变性来近似求解：
- 1.
模态内语义不变性压缩：在无接触测量中，尽管信号传播会引入复杂的干扰，但底层的生理语义保持不变。我们设计了一个自监督的压缩-重建框架，并通过构建语义不变的信号变换，强制潜在表示在不同变换版本间保持一致，从而压缩掉由信号传播主导的非语义变异。
- 2.
跨模态语义不变性对齐：基于心脏电-机械活动耦合机制，心电图（ECG）和无线电信号共享相同的底层心脏语义。我们首先在一个大规模ECG数据集上预训练一个变分自编码器（β-VAE），构建一个参考ECG语义空间。然后，利用同步记录的无线电-ECG信号对，通过余弦相似度损失等对齐策略，引导学习到的无线电表征与参考ECG语义空间对齐。
通过上述设计，我们的框架可以将高维的时空无线电测量信号转化为64个可解释的语义因子。这些因子不仅能通过线性映射直接读出心室率、PR间期、QT间期等临床语义，还能通过特定的解码器分别可视化重建为无线电波形和临床熟悉的ECG波形，从而在潜在语义和信号表达之间建立了双向桥梁，实现了跨模态的可解释性。
实验结果：语义表征赋能临床级心脏监测
1. 无线电语义建模评估
原始无线电信号是复杂且难以解释的。我们的方法将其转化为的语义因子与关键心脏语义（如心室率、PR间期、QT间期）高度相关（平均R2= 0.885）。可视化显示，语义因子的变化能驱动两个模态中心跳波形的生理一致变化，例如PR间期延长在ECG上表现为P-R波间隔拉长，在无线电信号上则表现为趋势复合波的扩张，反映了心房与心室机械运动协调时间的延长。无线电语义空间与参考ECG语义空间也表现出较强的对齐性（中位相关系数0.647）。
2. 基于语义的心律监测
语义表征为精确识别心跳周期（R波）提供了基础。基于语义可视化ECG提取的心率变异性（HRV）指标显著优于当前最先进的基于信号建模的方法，实现超过十二倍的精度提升。其中，RR间期（IBI）误差中位数仅为9.4 ms，而基线方法为41.5 ms。在存在干扰或不规则心律（如房颤）的情况下，我们的方法能产生清晰、具有明确主峰的节律结构，而基线方法则被噪声淹没或产生失真波形。
3. 语义驱动的心律失常诊断
我们构建了一个可解释的诊断流程，将心律失常分类建模为从学习到的语义因子到疾病类别的线性投影。该方法无需任务特定的微调，即在心房颤动（AF）和早搏（PB）诊断上超越了两种黑盒深度神经网络基线，达到临床级别性能：AF诊断F1分数为0.929，PB诊断F1分数为0.867。更重要的是，语义可视化ECG能准确捕捉临床诊断的关键语义特征，如房颤的RR间期不规则和P波消失，以及早搏后的代偿间歇，使诊断决策过程透明可追溯。
4. 案例研究：日常生活中无接触心脏监测的探索
为了验证方法的实际应用潜力，我们在48名受试者的自然睡眠环境中部署了监测系统，进行了总计276小时的连续夜间监测。结果显示，我们的方法能准确追踪整夜的心率（HR）和HRV指标（如SDNN、RMSSD、pNN50）动态趋势，并与Holter监测结果高度相关。系统成功识别了所有存在房颤和早搏的受试者，并能有效追踪这些事件的整夜时域动态，展示了其在长期、零负担日常生活监测中的鲁棒性和有效性。
5. 消融研究与亚组分析
消融实验证实，跨模态对齐是构建有意义语义的主要贡献者，而去除它会导致性能大幅下降。模态内压缩则提供了超越对齐的额外增益，通过去除模态特定冗余进一步提升了语义质量和鲁棒性，两者作用互补。此外，方法的性能对ECG语义空间的质量（由β-VAE中的KLD权重控制）敏感，最优的语义解纠缠是下游任务成功的关键。方法在研究的亚组（年龄、性别、BMI、病理）中未表现出明显的统计偏倚，在轻度身体运动下仍能保持可靠监测，但在高强度运动下性能受限，这提示结合运动检测可在日常生活中提供有意义的监测覆盖。
讨论与展望
本研究通过建立数据驱动的语义建模框架，成功地将无线电信号转化为结构化的、可解释的语义表征，不仅实现了临床级别的无接触心脏监测性能，更将传统的“黑盒”无线电传感转变为透明、可靠的解决方案。核心突破在于利用信息瓶颈原理，并通过模态内压缩和跨模态对齐来近似求解。该框架学习的语义因子具有双向可视化能力，弥合了底层信号动力学与高层临床理解之间的鸿沟。
未来研究方向包括：开发异步或弱监督扩展以更好地利用单模态数据；进行更深入的临床医生参与式研究以评估实际效用；探索更先进的语义建模策略以提升ECG语义空间质量；增强方法对运动干扰的鲁棒性；以及在实用部署中整合隐私保护措施（如用户授权、基于信号的身份验证）。
总之，这项工作为无接触心脏监测确立了新范式，证明无线电信号可以被语义化地结构化。这一突破不仅实现了临床意义的解读和显著的性能提升，也展示了一条从原始物理测量中直接发现语义结构的人工智能科学研究新路径，为心血管疾病（CVD）从早期风险预测到疾病管理的全程健康干预奠定了坚实基础。
