각 피험자가 고유한 기저 패턴(baseline pattern)을 기여하는 생체 신호(physiological signals)의 경우, 대조 표현 학습(Contrastive representation learning)은 어려움을 겪습니다. 만약 클래스 간의 차이가 피험자 간의 차이와 중첩된다면, 지도 대조 학습(supervised contrastive learning)과 같은 클래스 수준의 목적 함수는 피험자별 구조를 단일 클래스 클러스터로 병합하는 경향이 있으며, 이는 모델이 보지 못한 환자(unseen patients)에게 일반화하는 데 필요한 개별 변동성을 제거하게 됩니다. 우리는 RR-간격(RR-interval, RRI) 시퀀스로부터 발작성 심방세동(Paroxysmal Atrial Fibrillation, PAF)을 탐지하는 설정에서 이 문제를 연구하며, 동일 환자이면서 동일 클래스인 세그먼트(segments)로부터만 양성 쌍(positive pairs)을 형성하는 환자 인지 대조 목적 함수(patient-aware contrastive objective)를 제안합니다. 이는 두 클래스를 서로 밀어내면서도 각 환자 고유의 동리듬(sinus rhythm, SR) 기저를 보존합니다. 학습된 임베딩(embeddings)을 직접 조사한 결과, 우리의 목적 함수는 가장 일관된 환자별 SR 구조를 달성했습니다 (응집도(cohesion) $0.850$ vs. 지도 대조 손실(supervised contrastive loss, SupCon)의 $0.800$ 및 이진 교차 엔트로피(binary cross-entropy, BCE)의 $0.772$). 또한 우리는 BCE가 가장 깨끗한 전역 클래스 분리(global class separation)를 생성하지만, 환자별 구조는 가장 무질서하게 만든다는 점을 확인했습니다. 이것이 바로 BCE의 특징(features)으로 학습된 선형 프로브(linear probe)가 보지 못한 환자에게서 성능이 무너지는 정확한 이유입니다. IRIDIA-AF 데이터셋에서 결과적인 표현(representation)은 지도 대조 베이스라인보다 $2.6 imes$ 낮은 시드 분산(seed variance)과 함께 $0.989 ext{ } ext extpm ext{ }0.003$의 환자 독립적 ROC 곡선 하 면적(Area Under the Receiver Operating Characteristic Curve, AUROC)에 도달했습니다. 이러한 결과는 전역적인 클래스 분리 가능성(global class separability)보다 피험자별 기하학적 일관성(per-subject geometric consistency)이 견고한 환자 간 일반화(cross-patient generalization)의 핵심임을 강조합니다.