La dificultad de los modelos de aprendizaje automático existentes para la adaptación interdominio en datos de series temporales médicas se debe a las complejas dependencias temporales y a los cambios dinámicos en la distribución. En este artículo, proponemos un marco de aprendizaje contrastivo multivista que integra patrones temporales, dinámicas basadas en derivadas y características del dominio de la frecuencia. Mediante codificadores independientes y un mecanismo de fusión jerárquico, aprendemos representaciones invariantes en características que son transferibles entre dominios, manteniendo la consistencia temporal. Los resultados experimentales en diversos conjuntos de datos médicos, como EEG, ECG y EMG, muestran que el método propuesto supera a los métodos de aprendizaje por transferencia más avanzados. Este marco proporciona una forma práctica de implementar sistemas de IA fiables en diversos entornos médicos.
