光电容积描记（PPG）是可穿戴健康监测和临床决策支持的核心信号。现有的通用PPG表征学习方法大多在医院血氧仪采集的高质量大规模数据上训练，面对稀疏、噪声较大的真实世界可穿戴数据时往往适应性不足，导致在临床任务上的泛化受限。更令人惊讶的是，即使进行全参数微调，PPG基础模型的表现仍难以系统超越通用时间序列模型。
为了解决上述问题，我们在多个PPG基础模型上进行实验，发现预训练模型内部普遍存在稀疏性和计算冗余，这表明模型已经学会为不同任务激活特定的子网络结构。基于此，我们提出了结构化剪枝‑微调框架 SPAFT。该框架首先依据参数重要性和结构冗余进行有序剪枝，保留任务相关的紧凑子网络；随后在剪枝后模型上进行自适应微调，使优化过程受限于更相关的参数空间，从而保留并强化已有的先验知识。
我们在四种PPG基础模型、五个基准数据集以及十个下游任务上进行全面评估。实验结果显示，SPAFT 在回归任务上取得 82.8% 的胜率，在分类任务上达到 87.5%。剪枝‑再微调的策略常常使模型突破现有最佳水平，为PPG模型在真实临床环境中的部署以及个性化模型的研发提供了可靠路径。
点评