量子科技中心_量科网

多模态深度学习通过联合利用时域、频域和时频域表征，显著提升了心电图（ECG）分类性能。然而现有生成模型通常独立合成这些模态，导致生成的ECG数据在视觉上可信但跨域生理学特征不一致。该研究建立了互补性保持生成理论（CPGT），提出生理学有效的多模态信号生成需要显式保持跨域互补性，而非松散的模态耦合合成。研究人员通过量子启发生成框架Q-CFD-GAN实现了该理论，该框架在复数潜在空间中建模多模态ECG结构，并通过约束互信息、冗余度和形态连贯性的互补感知机制进行调控。实验评估表明，Q-CFD-GAN将潜在嵌入方差降低82%，基于分类器的合理性误差减少26.6%，三域互补性从0.56恢复到0.91，同时实现了最低观测形态偏差（3.8%）。这些发现证明，保持多模态信息几何特性（而非仅优化单模态保真度）对生成具有生理学意义且适用于临床机器学习下游应用的合成ECG信号至关重要。