arXiv cs.AI· Jordan Tschida, Matthew Yohe, Edward Kane, Gavin Jager, Emma J. Reid, Tony G. Allen, Mark Story, Leanne Thompson, Joe Hoskins, Brandon Schreiber, Stan Seiferth, Scott Dolvin, David Cornett·· 1 天前AI 评分20
模态 vs. 形态：面向生物信号时间序列分类的框架
Modality vs. Morphology: A Framework for Time Series Classification for Biological Signals
AI 导读
研究者提出“形态—模态”框架，将波形结构（spikes、bursts、oscillations、slow drift、hierarchical rhythms）与预处理、特征提取和建模设计相连接，用于脑电、肌电、心电、光电容积脉搏波及眼动等生物信号的时间序列分类。
正文 · AI 翻译
作者：Jordan Tschida、Matthew Yohe、Edward Kane、Gavin Jager、Emma J. Reid、Tony G. Allen、Mark Story、Leanne Thompson、Joe Hoskins、Brandon Schreiber、Stan Seiferth、Scott Dolvin、David Cornett
摘要：生物信号分类技术大多是在特定模态内发展起来的，而非基于底层信号结构（即形态学），这导致方法体系彼此割裂，且难以在不同信号之间提供指导。本文提出一种新颖的形态学—模态框架，将波形结构与生物时间序列分类中预处理、特征提取和建模技术的原则性设计联系起来。我们分析了脑电图、肌电图、心电图、光电容积脉搏波以及眼电图、瞳孔测量和眼动追踪等眼部模态在内的生物信号证据，并按其主要形态进行组织：尖峰、爆发、振荡、缓慢漂移和层级节律。在这些类别中，我们考察形态学如何影响从预处理到建模与评估的分析流程。局部化架构适合尖峰和爆发，而频率模型和时间模型可捕捉振荡，混合方法则整合层级信号中的局部与全局依赖关系。这些关联并非绝对，因为生物信号通常包含多种形态，其相关性取决于具体任务。所提出的框架将形态学定位为一种有用的归纳偏置，有助于建模。我们进一步指出了跨被试泛化、形态保持数据增强、多模态融合和评估实践方面的挑战。通过将模态特定约束与波形结构联系起来，本综述为跨生物信号选择和评估分析流程提供了指导。我们认为，形态学为开发更具泛化性、可解释性和生理学基础的生物时间序列分类系统提供了一个有用的跨模态视角。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.18483 [cs.LG] |
| （或本版本的 arXiv:2605.18483v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2605.18483 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jordan Tschida [查看邮箱]
[v1]
2026年5月18日星期一 14:36:05 UTC（824 KB）
[v2]
2026年11月10日星期二 19:19:42 UTC（815 KB）
来源：arXiv cs.AI · arxiv.org