2026年11月12日至15日,第26届IEEE数据挖掘国际会议(the 26th IEEE International Conference on Data Mining,ICDM 2026)在中国沈阳举行。ICDM是数据挖掘领域具有重要影响力的国际学术会议,获CORE A*评级,同时被中国计算机学会(CCF)列为B类推荐国际会议。大会期间,来自北京大学跨媒体通用人工智能全国重点实验室的李红燕教授和健康医疗大数据国家研究院洪申达助理教授团队的科研成果“PPGFlowECG: Latent Rectified Flow with Cross-Modal Encoding for PPG-Guided ECG Generation and Cardiovascular Disease Detection”荣获最佳论文奖(Best Paper Award, Applied Track)。
该论文第一作者为北京大学智能学院2026级博士生方晓城,指导教师为洪申达助理教授和李红燕教授。论文聚焦生理信号跨模态生成与心血管疾病识别研究,提出了一种基于光电容积脉搏波(PPG)生成心电图(ECG)的新方法,为心血管疾病辅助识别与可穿戴健康监测提供了新的研究思路。

图1 论文第一作者方晓城与指导教师洪申达在ICDM 2026颁奖现场合影
聚焦可穿戴监测,探索脉搏波生成心电图的新方法
心电图(ECG)能够直接记录心脏电活动,是心血管疾病诊断的重要依据,但长期连续采集ECG信号受到设备条件和使用方式的限制。相比之下,光电容积脉搏波(PPG)可通过智能手表、手环等可穿戴设备便捷获取,适合日常健康监测,PPG却无法直接记录心脏电活动。利用PPG生成ECG,有望为心血管疾病辅助识别提供更多信息。然而,由于两类信号在生理机制和波形特征上存在差异,如何实现跨模态信息对齐与高质量ECG生成仍面临挑战。
创新跨模态生成方法,实现高质量心电信号重建
针对上述挑战,研究团队提出了基于跨模态编码与潜在空间整流的心电图生成框架PPGFlowECG。该方法采用两阶段设计:首先,通过CardioAlign Encoder对齐PPG与ECG的生理表征,缩小两种信号之间的模态差异;随后,引入潜在空间整流流模型,以PPG为条件生成ECG波形。通过将跨模态表征学习与生成建模相结合,PPGFlowECG在提高信号重建质量的同时,保留与心血管疾病相关的生理信息,为下游疾病识别提供支持。
图2 PPGFlowECG模型整体框架
多数据集与医生评估,展现心血管疾病识别潜力
研究团队在MCMED、MIMIC-AFib、VitalDB和BIDMC四个公开数据集上开展了系统实验。在波形重建和心率误差等12项评价中,PPGFlowECG有10项取得最优结果,展现出良好的心电信号生成能力。在MIMIC-AFib房颤检测任务中,基于生成ECG的分类模型取得了82%的准确率和87%的F1分数,进一步验证了生成信号在疾病识别任务中的有效性。
为进一步评估生成ECG的辅助诊断价值,研究团队邀请五位心内科医生参与房颤判读实验。结果显示,仅使用PPG时,医生的平均判读准确率为81%;结合生成ECG后提升至87%,接近结合真实ECG时的89%。这一结果表明,生成ECG有望为心血管疾病识别提供有价值的辅助信息。

图3 ICDM 2026最佳论文奖获奖证书
论文链接:https://arxiv.org/abs/2509.19774v3
开源代码:https://github.com/PKUDigitalHealth/PPGFlowECG