预测性表征学习在光电容积描记（PPG）上容易因归一化、非局部变换或伴随视图依赖被屏蔽的样本而违反因果信息访问，即使使用因果注意力也无法避免。我们提出 PulseBound，这是一种结合生理结构化未来心拍预测与显式存储窗口信息边界的 PPG 表征学习器。\ \ 一个内容无关的截断点将可见前缀与预测目标分离。前缀仅归一化、后缀在派生视图构建前被替换、对齐掩码确保编码器输入仅依赖可见前缀和截断点。该设计实现了存储后缀不变性：在模型状态、随机性、前缀和截断点固定的情况下，改变存储后缀不会影响预测上下文。\ \ 共享的时域条件头为最多四个可提取的未来心拍预测九个节律与形态描述，使用逐元素有效性掩码；可选的基于 ECG 的脉冲到达时间监督仅在训练阶段使用。\ \ 在 MIMIC 与 VitalDB 两组未参与 PulseBound 主干预预训练的数据上，PulseBound 将九状态变换空间的 MAE 相比于最后可见心拍持久化分别降低 28.06% 与 22.22%，并在所有 40 种 source‑cutoff‑horizon 组合上提升 MAE、MAE‑Skill 与 Spearman 相关系数。进一步在七个模型的 13 项下游任务中，PulseBound 在九个冻结线性探针任务和七个全微调任务上均取得最高平均成绩。\ \ 对存储后缀进行干预未记录到任何预测上下文或输出的变化，后缀输入梯度在审计精度下为零，验证了信息边界的严格性。\ \ 这些结果将预测生理表征学习的三个可检验方面——信息访问、监督的未来结构以及迁移能力——清晰分离。\ \ 点评