arXiv cs.AI· Leonardo Alchieri, Matteo Garzon, Lidia Alecci, Francesco Bombassei De Bona, Martin Gjoreski, Giovanni De Felice, Silvia Santini·· 1 天前AI 评分22
UME：首个皮肤电活动（EDA）基础模型发布
A Foundation Model for Electrodermal Activity Data
AI 导读
研究者构建了 EDAMAME 数据集，汇集 29 个公开数据集的约 23,000 小时 EDA 数据、覆盖 731 名用户，并据此训练出首个 EDA 基础模型 UME。作为冻结特征提取器，UME 优于手工特征、与通用时间序列基础模型持平，所需算力少 20 倍，微调后多数实验性能进一步提升，并可泛化到训练中未见的两款设备。EDAMAME 采用分级访问开放，模型权重与代码已发布。
正文 · AI 翻译
摘要：基础模型近来已从自然语言和视觉扩展到时间序列领域，包括生理信号。然而，由于缺乏大规模、经过整理且可公开获取的数据集，开发用于皮肤电活动（EDA）的基础模型仍然受到阻碍。EDA 反映交感神经活动，被广泛用于推断认知负荷、压力和参与度。然而，很少有可穿戴设备具备 EDA 传感功能，而且迄今为止唯一的大规模 EDA 档案是专有的。为填补这一空白，我们汇编了 EDAMAME，这是一个 EDA 轨迹集合，来自 29 个公开数据集，包含来自 731 名用户约 23,000 小时的数据。利用这一集合，我们训练了 UME，这是首个用于 EDA 的基础模型。作为冻结的特征提取器，UME 优于通用的手工特征，并与通用时间序列基础模型相当，同时所需的计算资源少 20 倍；在大多数实验中，对下游任务进行微调还能带来额外的性能提升。UME 还能泛化到训练期间未见过的两种设备的 EDA 数据。我们进一步表明，UME 的性能随着预训练数据量的增加而提高，凸显了大规模数据对于有效基础模型的重要性。我们的发现突出了 EDA 信号的固有挑战，揭示了未来的研究机会。我们以分级访问方式共享 EDAMAME，并发布模型权重和代码。
| 评论： | 36 页，8 幅图，19 张表。已被《ACM 交互、移动、可穿戴与普适技术学报》（IMWUT）接收发表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；信号处理（eess.SP） |
| 引用为： | arXiv:2603.16878 [cs.LG] |
| （或本版本的 arXiv:2603.16878v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2603.16878 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Leonardo Alchieri [查看电子邮件]
[v1]
2026 年 2 月 20 日星期五 14:31:08 UTC（4,120 KB）
[v2]
2026 年 11 月 11 日星期三 16:20:42 UTC（984 KB）
来源：arXiv cs.AI · arxiv.org