arXiv cs.CL· Keondo Park, Arthur Delhaye, Younghoon Na, Hyun-Woo Shin, Hyung-Sin Kim·· 9 小时前AI 评分29
Sleep2Word:通过时长感知词化实现外周信号到 EEG 的翻译
Sleep2Word: Peripheral-to-EEG Translation via Duration-Aware Wordization
AI 导读
Sleep2Word 框架可将呼吸、ECG 或 PPG 信号翻译为 EEG 频谱图,通过时长感知的生理词实现跨模态转换。该方法在 9 个数据集、超 2 万例 PSG 病例上训练,在 EEG 频谱图重建、睡眠分期、觉醒检测和生存预测上均优于现有基线,全夜序列压缩率最高达 69.7%。
正文 · AI 翻译
摘要:从外周测量中估计整夜脑电图(EEG)频谱图,可将基于 EEG 的睡眠分析扩展到未采集 EEG 的记录。该任务需要对具有不同时间结构的信号进行紧凑表示。我们提出 Sleep2Word,一个通过时长感知的生理词将呼吸、心电图(ECG)或光电容积脉搏波(PPG)转换为 EEG 频谱图的框架。基于上下文相关的分块方法,Sleep2Word 将生理嵌入分组为可变时长的块,并将其内容与时长联合量化为模态特定的词表。随后,块自回归翻译器在固定时长的块内预测目标 EEG 词的身份及出现特定的时长细化。该设计可容纳独立的源词表与目标词表,限制时间漂移,并缩短自回归解码路径。在 9 个数据集、超过 20K 例 PSG 病例上训练后,Sleep2Word 在 EEG 频谱图重建、睡眠分期、觉醒检测和生存预测方面均持续优于现有频谱图生成基线。学习到的词将整夜序列压缩高达 69.7%,实现了有利的精度-计算权衡。睡眠事件分析进一步表明,学习到的词捕获了跨模态的生理上合理的关联,表明其具有可解释跨模态分析的潜力。
| 评论: | 10 页,4 幅图 |
| 主题: | 计算与语言(cs.CL);声音(cs.SD);音频与语音处理(eess.AS) |
| 引用为: | arXiv:2611.21643 [cs.CL] |
| (或 arXiv:2611.21643v1 [cs.CL] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.21643 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Keondo Park [查看邮箱]
[v1]
2026 年 10 月 14 日星期三 09:29:01 UTC(7,564 KB)
来源:arXiv cs.CL · arxiv.org