标签
GeoRVQ提出了一种针对生理信号的解码器感知掩码令牌模型，通过考虑残差向量量化中的局部响应和残差依赖性，提高了准确性并减少了解码失真。
PhysioBench引入了一个统一的生理信号问答基准，整合22个数据集成6140万道问题，涵盖30项任务，以评估各种AI模型的性能。
本文提出了CoMA-DiT，一种用于多模态脑状态解码中潜在增强的双向跨模态扩散变压器，它通过将配对模态用作相互监督信号来增强听觉注意力解码和情感识别等任务的性能。
本文评估了在PPG数据上使用自监督学习进行真实生活情感检测的效果，发现在没有个性化处理时，通用表征会失效。
Proposes ReCoGen, a two-stage framework for multimodal-conditioned time-series generation under irregular missingness, achieving state-of-the-art downstream utility on physiological benchmarks.
提出利用远程光电容积描记（rPPG）波形检测说话人脸深度伪造，在Celeb-DF++ TF子集上达到0.806的AUC，与最佳通用检测器相当。
Timesynth 引入了一个用于健康信号数字孪生的受控基准测试框架，包括一个生理信号生成器和诊断工具来评估时间保真度，揭示了逐点指标无法捕捉预测模型中的相位和频率失真。
本文介绍了一种使用冻结基础模型的可穿戴压力检测检索增强个性化方法，无需标记用户数据即可实现接近监督微调的性能。
本文评估了深度学习模型（LSTM、TCN、Transformer）在WESAD数据集上基于生理信号的多模态情感识别表现，结果表明集成方法达到了98.91%的准确率。
本研究探讨了利用皮肤电活动、心率和皮肤温度等生理数据，通过机器学习模型预测考试结果，发现深度学习方法与随机森林等简单模型均能有效发挥作用。
本文提出了Synheart Capacity，一种理论驱动的多模态学习框架，从可穿戴心脏和皮肤电信号中建模认知容量动态，从而实现对心理努力和压力状态的连续估计。
谷歌研究人员提出SensorFM，这是一个基础模型，在来自500万人的超过1万亿分钟未标记可穿戴数据上进行训练，学习通用生理模式，并在35项健康预测任务中的34项上优于人工设计的特征。
介绍了Peak-Detector框架，该框架利用指令微调的大语言模型对心电（ECG）、光电容积脉搏波（PPG）、心冲击图（BCG）和体震图（BSG）等生理信号进行鲁棒、跨模态且可解释的峰值检测。该方法将时间序列数据转换为压缩的“峰值表示”格式，并通过监督微调及后续多目标奖励的强化学习进行优化。
介绍NormWear-2，一种将多变量生理信号和临床干预编码到共享潜空间的世界模型，利用混沌理论平衡改进长期预测，涵盖日常生活、即时护理和临床环境。