清华朱军团队提出统一多模态生成框架UniCardio，突破可穿戴心血管信号获取瓶颈
可穿戴健康监测中，高质量心血管信号长期难以便捷、稳定获取——PPG易受运动伪影干扰，ECG需严格电极放置，动脉血压则多依赖侵入式测量。这一“便捷性”与“准确性”的两难困境，制约着智能健康监测系统的临床落地。
针对现有方法普遍局限于单任务（如仅去噪或仅插补）、单模态（如仅PPG→ECG）的短板，清华大学朱军教授、王立元助理教授团队联合北京安贞医院、帝国理工学院，提出统一多模态生成框架UniCardio。该工作于2025年12月29日发表于《Nature Machine Intelligence》。
核心能力：信号恢复 + 模态转换一体化
UniCardio在一个扩散Transformer模型中同步实现两大类功能：
- 信号恢复：对噪声污染或中断采样的信号进行去噪与缺失片段插补；
- 模态转换：基于易获信号（如PPG），生成难测信号（如ECG、血压），拓展监测维度。
技术架构：多模态条件扩散+结构化注意力
UniCardio将PPG、ECG、BP等视为同一生理系统的不同观测，建模其多模态条件分布：
- 采用统一前向噪声机制与条件引导的反向生成路径，兼容多种输入–输出配置；
- 为各模态配备专用编码器/解码器，保留波形级生理特征；
- 在Transformer中引入任务特定注意力掩码，显式约束信息流向，避免无关模态干扰，支撑多任务联合学习。
持续学习范式：应对模态组合爆炸
为缓解模态增多导致的任务失衡与灾难性遗忘，UniCardio设计分阶段持续学习策略：
- 按“条件模态数逐步增加”分阶段训练，保障样本充分与权重均衡；
- 结合学习率调度、批次组成优化及注意力掩码结构约束，提升模型泛化稳定性；
- 实验证明：低模态任务训练可有效迁移提升高模态复杂任务性能。
实验结果：多任务全面领先，下游可用性强
在信号去噪、插补与跨模态生成任务中，UniCardio系统性优于各类任务特化基线：
- PPG与ECG插补误差降至原水平的约1/3；
- PPG→ECG生成任务中，参数量更小，但准确率与鲁棒性更优；
- 生成信号直接用于心电异常检测、心率/血压估计等下游任务，性能逼近真实信号，显著优于原始噪声或中断信号。
临床可解释性：兼顾形态保真与诊断价值
UniCardio不仅优化数值误差，更注重临床可用性：
- 可视化显示典型ECG异常（如ST段抬高、室早）在生成信号中被准确复现，经临床专家评估具有一致诊断特征；
- 扩散过程的中间状态可追溯，支持专家理解信号演化路径，增强模型可信度。
应用前景
UniCardio标志着心血管信号生成从“单点突破”迈向“统一可扩展范式”。该框架不仅有望支撑远程连续监测、居家辅助诊断等医疗场景，也为脑电、肌电等多源生理信号融合建模提供通用技术路径。
作者信息
清华大学朱军教授、王立元助理教授为共同通讯作者；陈泽华博士、苗雨阳博士、王立元助理教授为共同第一作者；首都医科大学附属北京安贞医院范泸韵博士、英国帝国理工学院Danilo P. Mandic教授为共同作者。