缺失作为信号：用于临床时间序列预测的通道独立频谱图学习

# 缺失即信号：面向临床时间序列预测的通道独立频谱图学习
来源：https://arxiv.org/html/2607.02938
\(2026\)

###### 摘要。

重症监护病房的临床时间序列预测仍然具有挑战性，原因在于异质的生理变量以及信息性缺失。测量值的存在与否可反映临床决策和患者严重程度，因此缺失性可作为一种预测信号，而非单纯的数据瑕疵。本文提出 CISM，一种带有缺失性流的通道独立频谱图框架，用于临床多变量时间序列预测。CISM 将每个临床变量转换为变量级时频频谱图，通过变量对齐编码保留变量身份，并将显式的缺失性流与频谱图表示对齐。在基于 MIMIC-IV 的院内死亡率任务上的实验表明，CISM 在时间序列、缺失感知、视觉和时频基线中取得了最高的平均 AUROC（0.7225）、AUPRC（0.3308）和 F1（0.3808）。消融研究进一步表明，观测模式提供了有意义的信息性信号。像素级掩码注入优于纯频谱图输入，并恢复了大部分预测价值。对齐的缺失性流在 AUROC 和 AUPRC 上均提供了进一步、互补的提升。这些结果强调了在临床时间序列预测中将观测模式建模为结构化信号的重要性。

临床时间序列，信息性缺失，频谱图学习，通道独立建模，院内死亡率预测

††copyright:acmlicensed††journalyear:2026††doi:XXXXXXX.XXXXXXX††conference:第12届时间序列挖掘与学习国际研讨会；2026年8月10日；韩国济州岛††booktitle:第12届时间序列挖掘与学习国际研讨会论文集 (MILETS '26)，2026年8月10日，韩国济州岛††isbn:978-1-4503-XXXX-X/2026/08††ccs:计算方法 机器学习方法††ccs:应用计算 医疗信息系统

## 1. 引言

临床时间序列预测已成为医疗分析中的重要任务 (Morid 等, 2023 (https://arxiv.org/html/2607.02938#bib.bib14))。重症监护病房 (ICU) 的早期风险评估可支持及时的临床干预、资源分配和患者管理 (Knaus 等, 1985 (https://arxiv.org/html/2607.02938#bib.bib15); Che 等, 2018 (https://arxiv.org/html/2607.02938#bib.bib16))。院内死亡率预测是该问题的一个代表性场景。该任务旨在根据 ICU 入院早期收集的生理测量值估计患者的死亡风险。

临床多变量时间序列在两方面与常规传感器数据不同 (Che 等, 2018 (https://arxiv.org/html/2607.02938#bib.bib16); Harutyunyan 等, 2019 (https://arxiv.org/html/2607.02938#bib.bib17))。第一是不规则采样。ICU 测量值在不同变量间高度不规则：心率、血压、血氧饱和度和呼吸频率等生命体征记录频繁 (Johnson 等, 2022 (https://arxiv.org/html/2607.02938#bib.bib18))，而 pH、血糖、体温和吸入氧浓度等化验相关变量则出现得少得多。在我们的队列中，缺失率从心率的约 3.6% 到 pH 的 89.7%，这表明缺失并非均匀的数据瑕疵。第二是变量异质性。ICU 变量在尺度、单位、生理意义和时间行为上各不相同，早期对所有变量进行融合可能模糊这些差异。在特定变量的缺失模式下，这个问题更加严重，因为每个变量有其自身的测量模式。

这两个特性使得 ICU 时间序列难以建模。然而，缺失性不仅仅是麻烦。测量值的存在与否常常反映临床决策、患者严重程度或治疗背景 (Groenwold, 2020 (https://arxiv.org/html/2607.02938#bib.bib19); Tan 等, 2023 (https://arxiv.org/html/2607.02938#bib.bib20))。例如，记录的 pH 值可能表示进行了动脉血气分析，记录的 FiO2 值可能表示呼吸支持。观测模式本身可以提供预测信息，而仅将缺失值视为噪声进行插补的模型可能会丢弃部分临床信号 (Lipton 等, 2016 (https://arxiv.org/html/2607.02938#bib.bib21))。这一观点促使我们构建一个将不规则性和异质性视为结构、并将观测模式作为信息性输入而非通过插补丢弃的模型。

现有方法仅部分解决了这些挑战。循环网络、时序卷积网络和 Transformer 等时间序列模型通常直接操作原始时间序列 (Zhou 等, 2021 (https://arxiv.org/html/2607.02938#bib.bib2); Wu 等, 2022 (https://arxiv.org/html/2607.02938#bib.bib5))。一些模型将观测掩码作为辅助输入通道；这暴露了缺失信息，尽管掩码本身仍然是与原始序列对齐的一维时序特征 (Che 等, 2018 (https://arxiv.org/html/2607.02938#bib.bib16))。基于频谱图的方法则将时间信号转换为时频图像 (Huzaifah, 2017 (https://arxiv.org/html/2607.02938#bib.bib22))。然而，标准视觉骨干将生成的频谱图作为单幅图像处理，这可能忽略变量边界，并在早期层中混合异质临床变量。

本文提出 CISM，一种带有缺失性流的通道独立频谱图框架，用于临床多变量时间序列预测。为了表示信息性缺失，CISM 使用并行的缺失性流，其中观测掩码被渲染为与频谱图具有相同空间几何形状的单通道图像。每个掩码块对应一个频谱图块，从而实现两个流之间的块级对齐。两个流在块级融合，模型结合生理时频模式与局部观测模式。这种设计将缺失性视为信息性预测信号，而非预处理副产品。

所提出的模型在一个基于 MIMIC 的院内死亡率任务上进行评估，该任务使用 ICU 入院前 48 小时的十个临床变量。它在针对不规则和不完整临床时间序列的专用缺失感知基线上有所改进，并显著优于时间序列、视觉和时频基线。消融研究表明，观测模式提供了有意义的预测信号：像素级掩码优于纯频谱图输入，并贡献了大部分增益；对齐的缺失性流在 AUROC 和 AUPRC 上均提供了进一步的、互补的提升。

本文的贡献总结如下。

- • 我们提出 CISM，一种带有缺失性流的通道独立频谱图框架，通过变量对齐编码保留变量身份，并利用从单个变量导出的时频表示。
- • 我们引入了一个与频谱图表示对齐的显式缺失性流，使得模型能够将观测模式视为预测性临床信号。
- • 我们提供了与时间序列、缺失感知、视觉和时频基线的统一比较。
- • 我们进行了消融研究，分别隔离像素级缺失注入、显式缺失性流、频谱图-缺失性融合以及小波变换选择的影响。

## 2. 相关工作

### 2.1. 临床时间序列预测

临床时间序列预测已被广泛研究，用于 ICU 风险评估、疾病进展分析和患者结局预测 (Harutyunyan 等, 2019 (https://arxiv.org/html/2607.02938#bib.bib17))。院内死亡率预测是该领域的一个代表性任务。其目标是根据 ICU 入院早期收集的生理测量值估计患者风险。先前的研究探索了循环神经网络、时序卷积网络和基于 Transformer 的架构，这些架构操作原始时间序列并直接从观测值学习时间依赖性 (Harutyunyan 等, 2019 (https://arxiv.org/html/2607.02938#bib.bib17); Lipton 等, 2016 (https://arxiv.org/html/2607.02938#bib.bib21))。

近期通用时间序列模型，如 PatchTST (Nie 等, 2022 (https://arxiv.org/html/2607.02938#bib.bib3))、Informer (Zhou 等, 2021 (https://arxiv.org/html/2607.02938#bib.bib2))、FEDformer (Zhou 等, 2022 (https://arxiv.org/html/2607.02938#bib.bib1))、Pyraformer (Liu 等, 2021a (https://arxiv.org/html/2607.02938#bib.bib4)) 和 TimesNet (Wu 等, 2022 (https://arxiv.org/html/2607.02938#bib.bib5))，为时序数据提供了强大的编码器，并在预测和分类场景中表现有竞争力。然而，临床 ICU 数据与常规多变量传感器数据有显著差异：不同变量间测量不规则，缺失模式变化很大，并且生理变量具有不同的单位、尺度和临床意义。原始序列模型在没有显式变量分离的情况下，可能难以利用 ICU 数据中的变量特定结构和观测模式 (Lipton 等, 2016 (https://arxiv.org/html/2607.02938#bib.bib21))。

### 2.2. 时间序列作为频谱图与时频模型

另一研究方向将时间序列转换为时频表示。频谱图提供时间信号的二维视图，其中局部时间变化和频率结构被联合表示 (Daubechies, 1990 (https://arxiv.org/html/2607.02938#bib.bib23); Sejdić 等, 2009 (https://arxiv.org/html/2607.02938#bib.bib24))。这种表示在音频分析中广泛使用，并已被探索用于一般时间序列预测，为将图像编码器应用于时序数据提供了自然方式 (Zeng 等, 2023 (https://arxiv.org/html/2607.02938#bib.bib25))。音频频谱图 Transformer (AST) (Gong 等, 2021 (https://arxiv.org/html/2607.02938#bib.bib11)) 将 Transformer 架构应用于频谱图输入，而 MultiWave (Deznabi and Fiterau, 2023 (https://arxiv.org/html/2607.02938#bib.bib12)) 和 SpecAR-Net (Dong 等, 2024 (https://arxiv.org/html/2607.02938#bib.bib13)) 使用小波或频谱表示进行时序建模。这些方法促使我们使用基于视觉神经架构的时频表示进行时间序列预测。

然而，将基于频谱图的模型直接应用于临床多变量时间序列存在一个重要限制 (Ghassemi 等, 2015 (https://arxiv.org/html/2607.02938#bib.bib26))。堆叠的频谱图包含多个临床变量，每个变量具有不同的生理意义和缺失概况。标准视觉骨干将整个频谱图作为单个图像处理，没有保留变量边界的显式约束。结果，异质变量可能在早期层被混合。现有的时频模型也没有将缺失模式与变量级频谱图区域显式对齐。我们的工作通过变量对齐频谱图编码和显式缺失性流来解决这些限制。

### 2.3. 信息性缺失与通道独立建模

缺失性是临床时间序列的核心属性 (Che 等, 2018 (https://arxiv.org/html/2607.02938#bib.bib16); Groenwold, 2020 (https://arxiv.org/html/2607.02938#bib.bib19))。在 ICU 数据中，测量值的存在与否可反映临床决策、疾病严重程度和治疗背景 (Groenwold, 2020 (https://arxiv.org/html/2607.02938#bib.bib19); Johnson 等, 2022 (https://arxiv.org/html/2607.02938#bib.bib18))。先前的方法通过插补、时间衰减、观测掩码和不规则采样机制来处理缺失。GRU-D 采用可训练的衰减项和观测掩码用于含缺失值的多变量临床时间序列 (Che 等, 2018 (https://arxiv.org/html/2607.02938#bib.bib16))，而 mTAND 和 SeFT 利用观测模式或基于集合的表示来处理稀疏和不规则测量 (Shukla and Marlin, 2021 (https://arxiv.org/html/2607.02938#bib.bib29); Horn 等, 2020 (https://arxiv.org/html/2607.02938#bib.bib30))。总的来说，这些方法确立了缺失性传递预测信息而非纯粹噪声的观点 (Lipton 等, 2016 (https://arxiv.org/html/2607.02938#bib.bib21))。然而，它们将缺失性表示为原始序列上的一个一维时序信号，或原始时域中的不规则观测模式，因此没有在时频空间中建模缺失性。

通道独立建模为多变量时间序列提供了另一个相关方向 (Nie 等, 2022 (https://arxiv.org/html/2607.02938#bib.bib3); Han 等, 2024 (https://arxiv.org/html/2607.02938#bib.bib27))。通道独立模型不是在输入层混合所有变量，而是分别处理每个变量，并在后期阶段聚合变量级表示，从而减少异质变量间有害的早期交互。先前的工作主要将该想法应用于原始时间序列。相比之下，我们的工作将变量对齐形式的通道独立性扩展到时频表示，分别编码每个变量频带，并通过专用的空间流将缺失性对齐。

参见说明图1. CISM 的总体架构。每个临床变量被转换为一个时频频谱图带，观测掩码被渲染为对齐的缺失性图像。两个流通过变量对齐的骨干编码，在块级融合，并聚合用于死亡率预测。

## 3. 带有缺失性流的通道独立频谱图框架

我们提出 CISM，一种带有缺失性流的通道独立频谱图框架，用于临床多变量时间序列预测。该框架将每个临床变量转换为时频频谱图，并通过变量对齐编码保留变量身份。缺失性通过两条路径表示：频谱图中的像素级掩码，以及一个与频谱图对齐的专用缺失性流。模型在块级融合频谱图和掩码特征，然后聚合特定变量的表示进行死亡率预测。图1 (https://arxiv.org/html/2607.02938#S2.F1) 展示了 CISM 的总体架构。主要设计原则是在获得变量级表示之前延迟跨变量交互。

### 3.1. 问题形式化

令 \(X_i \in \mathbb{R}^{V \times T}\) 表示第 \(i\) 次 ICU 停留的多变量临床时间序列，其中 \(V\) 是临床变量数量，\(T\) 是观测窗口长度，并令 \(x_{i,v,t}\) 是变量 \(v\) 在时间步 \(t\) 的值。每个序列关联一个观测掩码 \(M_i \in \{0,1\}^{V \times T}\)，其中 \(m_{i,v,t}=1\) 表示观测值，\(m_{i,v,t}=0\) 表示缺失值。缺失性流使用反转掩码 \(\bar{M}_i = 1 - M_i\)，其中 \(\bar{m}_{i,v,t}=1\) 表示缺失。