岗位职责

1.心电算法研发：开发心搏检测、房性早搏（PAC）与室性早搏（PVC）分类、房颤识别及佩戴时长预测模型，提升模型在运动伪影、电极接触不良、低幅度 R 波和导联脱落等条件下的可靠性。

2.心音算法研发：负责重采样、带通滤波、心音分割（S1、收缩期、S2、舒张期）、特征提取与异常分类，并结合采集硬件迭代优化算法。

3.模型评估：建立敏感度、特异度和阳性预测值（PPV）等指标体系，按患者划分训练、验证和测试集；管理数据集版本，开展模型变更前后的自动回归评估。

4.数据与标注管理：开展原始信号清洗、切片和去标识化，参与制定标注规范，核查标注质量，处理噪声标签及标注不一致问题。

5.模型部署与研发记录：与全栈工程师协作交付 Docker 推理服务，完善接口、版本管理、性能与运行监测；保留训练配置、测试证据和变更 记录，支持需求追溯与审计，并评估端侧推理方案。

6.技术研究：跟踪心电、心音及心脏 AI 相关研究，评估自监督学习、预训练和基础模型等方法的适用性，完整记录实验结果及方法局限。

任职要求

1.硕士学历，具备 3–5 年机器学习或深度学习工程经验，完整负责过至少一个从数据处理、训练评估到上线的模型项目。

2.熟练使用 PyTorch，能够独立实现、调试和优化深度学习模型。

3.具备扎实的 Python 工程能力，能够编写可读、可维护的代码，并开展回归验证。

4.具备数字信号处理基础，理解采样率、滤波及频域变换，能够分析预处理对下游模型的影响。

5.熟悉类别不平衡下的指标选择、患者级数据划分及数据泄漏防范，理解反复使用验证集对评估可信度的影响。

6.能够阅读英文论文和技术文档，包括设计及法规文档；日常英语口语不作为必备条件。

7.重视实验可复现性，能够记录随机种子、数据集版本和训练配置；具备技术文档编写、团队协作及客观报告实验结果的能力。

优先考虑

1.具有心电、心音、音频、脑电（EEG）、惯性传感器（IMU）等信号建模经验。

2.具有自监督学习、预训练、基础模型、领域迁移或微调经验。

3.具有一维或二维分割、时序检测、事件定位，或噪声标签、弱监督及标注不一致处理经验。

4.具有模型压缩、量化、知识蒸馏、ONNX 或移动端推理部署经验。

5.具有医疗、金融等受监管行业经验，或了解 IEC 62304、ISO 13485、医疗数据合规；具有与临床医生协作制定标注规范的经验。

6.熟练使用 Claude Code、Cursor 等 AI 编程工具，并能够理解、审查和验证其生成的代码。

主要技术环境 PyTorch、Python、NumPy、SciPy、Pandas、scikit-learn；数字滤波、重采样、STFT、小波分析、1D CNN、U-Net、Transformer；Jupyter、实验追踪、数据集版本管理；Docker、REST API、ONNX、TorchScript；Git、代码评审与英文技术文档。

团队与工作方式 团队采用中新两地协作，重视书面沟通、真实世界数据质量和客观实验结果。研发工作需要保留需求追溯、测试证据和变更记录。全栈工程师承担平台、服务化及数据管线的工程工作，本岗位重点负责算法与模型研发。团队不以形式主义加班为导向，交付节点可能需要集中投入。 医学背景、论文发表和大型企业工作经历均非必备条件；团队提供心电与心音相关知识培训，重点考察模型研发、评估和实际交付能力。