Assessing Time Series Correlation Significance: A Parametric Approach with Application to Physiological Signals
本文提出一种基于高斯自相关函数假设的参数化方法，通过时间导数估计有效样本量，以准确且高效地评估时间序列相关系数的统计显著性，并成功应用于电生理和动作捕捉等生理信号分析。
2024-01-08 q-bio.QM stat.AP stat.ME
DecompKAN: Decomposed Patch-KAN for Long-Term Time Series Forecasting
DecompKAN通过趋势残差分解、通道补丁、学习实例归一化和B-样条Kolmogorov-Arnold网络边缘函数，实现了轻量级无注意力架构，在时间序列预测中取得最佳性能。
2026-04-27 cs.AI cs.LG stat.ML
SleepNet: Automated Sleep Analysis via Dense Convolutional Neural Network Using Physiological Time Series
在这项工作中，构建了一个密集的递归卷积神经网络（DRCNN），用于使用2018年Physionet挑战数据库中提供的多导睡眠图（PSG）测量通道检测睡眠障碍，包括觉醒、呼吸暂停和呼吸不足。我们的模型结构由多个密集卷积单元（DCU）组成，然后是双向长短期记忆（LSTM）层，然后是softmax输出层。睡眠事件，包括睡眠阶段，唤醒区域和多种类型的呼吸暂停和呼吸不足的专家手动注释，使我们能够训练我们提出的网络使用多任务学习机制。将对应于睡眠/唤醒、目标唤醒和呼吸暂停-呼吸不足/正常检测任务的三个二进制交叉熵损失函数相加，以生成使用Adam方法优化的整体网络损失函数。我们的模型性能使用两个指标进行评估：准确率-召回率曲线下面积（AUPRC）和受试者工作特征曲线下面积（AUROC）。为了衡量我们的模型泛化，还进行了4重交叉验证。为了训练，我们的模型被应用于完整的夜间记录数据。最后，在我们的测试数据集中，与觉醒检测任务相关的平均AUPRC和AUROC值分别为0.505和0.922。在不同数据折叠上训练的四个模型的集合将AUPRC和AUROC分别提高到0.543和0.931。我们提出的算法在2018年Physionet挑战赛的官方阶段获得了第一名，用于在盲测数据集上检测睡眠觉醒，AUPRC为0.54。
2019-07-24 cs.LG cs.NE q-bio.NC
Multi-Task Time Series Analysis applied to Drug Response Modelling
University of Edinburgh（爱丁堡大学）；The Alan Turing Institute（艾伦·图灵研究所）；NHS Greater Glasgow and Clyde（英国国家医疗服务体系大格拉斯哥和克莱德分部）
时间序列模型（如动态系统）经常被拟合到一组数据中，忽略了个体实体（如患者）之间的变化。在本文中，我们将展示如何通过使用多任务学习（MTL）将这些模型个性化到个人水平，同时保留统计能力。据我们所知，这是一个新的发展MTL适用于时间序列和无控制输入。的建模框架上表现出的生理药物反应的问题，从而提高了预测精度和不确定性估计超过现有的国家的最先进的模型。
2019-03-21 cs.LG stat.ML
Time Series Classification via Topological Data Analysis
Istanbul Technical University（伊斯坦布尔技术大学）
在本文中，我们开发了拓扑数据分析方法的分类任务上的单变量时间序列。作为一个应用程序，我们在两个公共数据集上执行二元和三元分类任务，这些数据集由压力和非压力条件下收集的生理信号组成。我们实现了我们的目标，通过使用持久的同源性工程师稳定的拓扑特征后，我们使用的信号的时间延迟嵌入和执行子窗口，而不是使用固定长度的窗口。我们使用的方法的组合可以应用于任何单变量时间序列，并且在此应用中允许我们减少噪声并使用长窗口大小，而不会产生额外的计算成本。然后，我们在我们算法设计的特征上使用机器学习模型，以获得更少特征的更高准确度。
2021-06-11 cs.LG stat.ML
The Broad Impact of Feature Imitation: Neural Enhancements Across Financial, Speech, and Physiological Domains
Michigan State University（密歇根州立大学）；New York University Abu Dhabi（纽约大学阿布扎比分校）
本文通过比特币价格预测、语音情感识别和慢性颈痛检测三个实验，验证了特征模仿网络（FINs）初始化权重以近似 Tsallis 熵的广泛适用性，显著降低了误差并提升了分类准确率。
2023-09-21 cs.LG stat.ML
Interpolation-Prediction Networks for Irregularly Sampled Time Series
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
在本文中，我们提出了一种新的深度学习架构，用于解决具有稀疏和不规则采样的多变量时间序列的监督学习问题。该架构是基于使用一个半参数插值网络，其次是预测网络的应用程序。插值网络允许在插值阶段跨多变量时间序列的多个维度共享信息，而任何标准的深度学习模型都可以用于预测网络。这项工作的动机是分析电子健康记录中的生理时间序列数据，这些数据是稀疏的，不规则采样的，多变量的。我们研究了这种架构在分类和回归任务上的性能，表明我们的方法优于一系列基线和最近提出的模型。
2019-09-13 cs.LG stat.ML
U-Time: A Fully Convolutional Network for Time Series Segmentation Applied to Sleep Staging
University of Copenhagen（哥本哈根大学）；Danish Center for Sleep Medicine（丹麦睡眠医学中心）；Rigshospitalet（丹麦国家医院）
神经网络在生理时间序列分析中的应用越来越广泛。该领域最成功的深度学习系统结合了卷积层和递归层，以提取有用的特征来建模时间关系。不幸的是，这些循环模型很难调整和优化。根据我们的经验，它们通常需要特定于任务的修改，这使得它们对于非专家来说具有挑战性。我们提出了U-Time，这是一种用于分析睡眠数据的生理时间序列分割的完全前馈深度学习方法。U-Time是一个基于U-Net架构的时间全卷积网络，最初是为图像分割而提出的。U-Time将任意长度的序列输入映射到自由选择的时间尺度上的类标签序列。这是通过隐式地对输入信号的每个单独的时间点进行分类并在固定间隔内聚合这些分类以形成最终预测来完成的。我们评估了U-Time在大量睡眠脑电图（EEG）数据集上的睡眠阶段分类。在所有情况下，我们发现U-Time都达到或优于当前最先进的深度学习模型，同时在训练过程中更加强大，并且不需要跨任务进行架构或超参数调整。
2019-10-24 cs.LG eess.SP stat.ML
Modeling Irregularly Sampled Clinical Time Series
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
虽然电子健康记录（EHR）数据量持续增长，但医院系统捕获密集的生理数据流仍然很少，即使在数据丰富的重症监护室环境中也是如此。相反，典型的EHR记录由稀疏和不规则观测的多变量时间序列组成，这被很好地理解为对机器学习方法提出了特别具有挑战性的问题。在本文中，我们提出了一种新的深度学习架构来解决这个问题，该架构基于使用半参数插值网络，然后应用预测网络。插值网络允许在插值阶段跨多个维度共享信息，而任何标准的深度学习模型都可以用于预测网络。我们调查的性能，这种架构的死亡率和住院时间预测的问题。
2018-12-03 cs.LG stat.ML
A Framework for the Time- and Frequency-Domain Assessment of High-Order Interactions in Brain and Physiological Networks
虽然复杂系统的标准网络描述是基于量化系统单元对之间的联系，但涉及三个或更多单元的高阶相互作用（HOI）在控制集体网络行为方面发挥着重要作用。这项工作介绍了一种方法来量化成对和HOI的多变量的节奏过程在多个时间尺度上相互作用。我们定义了所谓的O-信息率（OIR）作为一个新的度量来评估HOI的多变量时间序列，并提出了一个框架，将其分解为量化格兰杰因果和瞬时影响的措施，以及扩展它在频域。该框架利用矢量自回归和状态空间模型的频谱表示来评估过程组之间的协同和冗余相互作用，无论是在特定的频带和整个频带集成后的时域。在模拟网络上的验证说明了光谱OIR如何突出在特定频率出现的冗余和协同HOI，但不使用时域测量。应用于由在健康受试者中在起搏呼吸期间测量的心脏周期、动脉压和呼吸描述的生理网络，以及应用于由在麻醉期间的动物实验中获取的ECoG信号描述的脑网络，记录我们的方法识别与良好相关的信息回路的能力，定义了心血管振荡和脑节律，并与自主控制和意识改变的特定生理机制有关。所提出的框架允许分层组织的评估多变量时间序列映射的网络中的时域和频域的相互作用，其高度的灵活性和可扩展性，使其适合于研究神经科学，生理学和其他领域的成对相互作用之外的网络。
2022-02-08 stat.ME
Specific Differential Entropy Rate Estimation for Continuous-Valued Time Series
Uniformed Services University（美国三军大学）
我们介绍了一种方法，通过扩展的微分香农熵率量化的连续值时间序列的固有不可预测性。我们的扩展，特定熵率，量化了与特定状态相关的预测不确定性的数量，而不是所有状态的平均值。我们将特定的熵率与流行的“复杂性”措施，如近似和样本熵。我们提供了一个数据驱动的方法来估计所观察到的时间序列的特定熵率。最后，我们考虑三个案例研究估计特定的熵率从合成和生理数据相关的心率变异性的分析。
2016-06-08 cs.LG stat.ME
Predictive Information Decomposition as a Tool to Quantify Emergent Dynamical Behaviors In Physiological Networks
本文提出基于向量自回归模型分解预测信息的框架，通过量化协同与冗余贡献的普遍性来检测生理网络中的因果涌现行为，并揭示了协同/冗余平衡是心血管与呼吸网络自主控制的标志。
2025-02-02 stat.AP
Discovering shared and individual latent structure in multiple time series
Stanford University（斯坦福大学）
本文提出了一种非参数贝叶斯方法，用于连续时间序列的探索性数据分析和特征构建。我们的方法侧重于理解一组时间序列中的共享特征，这些特征表现出显着的个体差异。我们的方法建立在潜在狄利克雷分配（LDA）及其扩展到分层狄利克雷过程的框架上，这使我们能够将每个系列描述为潜在“主题”之间的切换，其中每个主题被描述为指定系列动态的“单词”上的分布。然而，与LDA的标准应用程序不同，我们在学习模型时发现单词。我们将该模型应用于跟踪早产儿生理信号的任务;我们的模型获得了临床上重要的见解以及监督学习任务的有用功能。
2010-08-12 cs.AI stat.ME stat.ML
Empirical Study of Mix-based Data Augmentation Methods in Physiological Time Series Data
Rice University（莱斯大学）
本文系统评估了 mixup、cutmix 和 manifold mixup 三种混合增强方法在六个生理时间序列数据集上的效果，发现它们无需专家知识或大量调参即可一致提升分类性能。
2023-09-18 cs.LG
TSPFN: A Temporal Tabular Foundation Model for Physiological Time Series Classification
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；ISIR（巴黎索邦大学机器人与智能系统研究所）；MLIA（机器学习与人工智能实验室）；Inria（法国国家信息与自动化研究所）；I3S（信息科学与系统实验室）；Institut Universitaire de France (IUF)（法国大学研究院）；INSA-Lyon（里昂国立应用科学学院）；Université Claude Bernard Lyon 1（里昂第一大学）；Inserm（法国国家健康与医学研究院）；CREATIS（图像、信号与智能系统研究中心）
针对中低数据下生理时间序列分类的泛化难题，提出适配时序数据的TSPFN基础模型，经14万真实生理序列预训练后，在多基准上优于TabPFN等模型，跨域泛化更优。
2026-09-01 cs.CV cs.LG
TS-MoCo: Time-Series Momentum Contrast for Self-Supervised Physiological Representation Learning
Dr. Ing. h.c. F. Porsche AG（保时捷股份公司）；TU Munich（慕尼黑工业大学）；LMU Munich（慕尼黑大学）；TU Graz（格拉茨工业大学）；Silicon Austria Labs（奥地利硅实验室）
针对标记生理数据不足的问题，提出基于动量对比的自监督时间序列表征学习框架TS-MoCo，采用Transformer架构，在两类公开生理数据集上验证了其学习判别特征、支撑下游分类任务的有效性。
2023-06-10 cs.HC cs.LG eess.SP
Measuring hierarchically-organized interactions in dynamic networks through spectral entropy rates: theory, estimation, and illustrative application to physiological networks
提出整合熵率、互信息率与O信息率的分层信息动力学框架，在时域和谱域量化动态网络的节点、成对及高阶冗余/协同交互，并提供估计工具箱与生理网络应用验证。
2024-01-20 stat.ME
Lagged coherence: explicit and testable definition
针对容积导电导致的信号混合问题，本文提出了一种显式且可测试的多元时间序列频域滞后连接性定义，该定义对非奇异线性变换和瞬时关联均具有不变性。
2024-01-07 q-bio.QM stat.ME
Integrating Physiological Time Series and Clinical Notes with Transformer for Early Prediction of Sepsis
UC, Davis Health（加州大学戴维斯健康中心）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
脓毒症是重症监护病房（ICU）的主要死亡原因。脓毒症的早期检测对患者的生存至关重要。在本文中，我们提出了一个多模式Transformer模型，用于早期脓毒症预测，使用生理时间序列数据和临床笔记，为每个病人在ICU入院$36$小时。具体而言，我们的目标是仅使用前12，18，24，30和36小时的实验室测量，生命体征，患者人口统计学和临床记录来预测脓毒症。我们在两个大型重症监护数据集上评估了我们的模型：MIMIC-III和eICU-CRD。所提出的方法与六个基线进行了比较。此外，进行消融分析和病例研究，以研究模型的每个单独组件的影响和每个数据模态对早期脓毒症预测的贡献。实验结果表明，我们的方法的有效性，它优于竞争基线的所有指标。
2022-03-28 cs.AI cs.LG
Identifying TBI Physiological States by Clustering Multivariate Clinical Time-Series Data
University of Arizona（亚利桑那大学）；University of Cincinnati（辛辛那提大学）；Virginia Tech（弗吉尼亚理工大学）
本文提出用SLAC-Time自监督聚类方法处理含缺失值的多变量临床时间序列，识别出三种TBI生理状态，并结合临床专家验证了状态特征及干预对状态转换的影响。
2023-07-18 cs.AI cs.LG eess.SP
EvoMorph: Counterfactual Explanations for Continuous Time-Series Extrinsic Regression Applied to Photoplethysmography
Centre for Digital Health Interventions, ETH Zurich（数字健康干预中心，苏黎世联邦理工学院）；Centre for Digital Health Interventions, University of St.Gallen（数字健康干预中心，圣加伦大学）
EvoMorph通过多目标进化框架生成生理合理的反事实解释，提升连续生物医学时间序列的可解释性和可信度。
2026-01-15 cs.LG
Collaborative learning of common latent representations in routinely collected multivariate ICU physiological signals
Usher Institute, University of Edinburgh（爱丁堡大学乌舍尔研究所）；Department of Child Life and Health, University of Edinburgh（爱丁堡大学儿童生活与健康系）
本文提出一种结合LSTM与协同过滤的机器学习方法，从常规ICU多变量生理信号中学习共同潜在表示，用于脑损伤患者颅内高压检测，AUC达0.889，并优于自编码器。
2024-10-03 cs.LG
A Method for the Time-Frequency Analysis of High-Order Interactions in Non-Stationary Physiological Networks
本文提出基于向量自回归谱表示与遗忘因子递归最小二乘的时频框架，用于分析非平稳生理网络的高阶协同与冗余交互。
2025-03-16 stat.AP
ShapeWordNet: An Interpretable Shapelet Neural Network for Physiological Signal Classification
University of Science and Technology of China（中国科学技术大学）；Tsinghua University（清华大学）
生理信号是一种高维时间序列，在医疗保健领域具有重要的应用价值。然而，以前的工作，其分类未能获得有希望的结果，由于棘手的数据特性和严重的标签稀疏性问题。在本文中，我们试图解决这些挑战，提出了一个更有效的和可解释的计划，为生理信号分类任务。具体来说，我们利用时间序列的形状来提取突出的局部模式，并进行可解释的序列离散化，以提取整个序列的信息。通过这样做，长且连续的原始信号被压缩成短且离散的令牌序列，其中局部模式和全局上下文都被很好地保留。此外，为了解决标签稀疏问题，自适应地设计了多尺度变换策略来扩充数据，并相应地设计了跨尺度对比学习机制来指导模型训练.我们将我们的方法命名为ShapeWordNet，并在三个真实世界的数据集上进行了广泛的实验，以研究其有效性。比较结果表明，我们提出的方案显着优于四类尖端方法。可视化分析进一步证明了基于Shapard的序列离散化思想的良好可解释性。
2023-02-10 cs.LG
Does Deep Learning REALLY Outperform Non-deep Machine Learning for Clinical Prediction on Physiological Time Series?
Ricoh Software Research Center (Beijing) Co., Ltd.（理光软件研究所（北京）有限公司）；Japan Advanced Institute of Science and Technology (JAIST)（日本北陆先端科学技术大学院大学（JAIST））；Yale University School of Medicine（耶鲁大学医学院）；The Second Xiangya Hospital, Central South University（中南大学湘雅二医院）
机器学习已广泛用于医疗保健应用中，以近似复杂模型，用于临床诊断、预后和治疗。由于深度学习具有从时间序列中提取信息的出色能力，其在稀疏、不规则采样、多变量和不平衡生理数据上的真正能力尚未得到充分探索。在本文中，我们系统地研究了机器学习模型的性能的临床预测任务的基础上EHR，特别是生理时间序列。我们选择Physionet 2019挑战公共数据集来预测ICU病房的脓毒症结局。比较了10种基线机器学习模型，包括3种深度学习方法和7种非深度学习方法，这些方法通常用于临床预测领域。九个具有特定临床意义的评价指标用于评估模型的性能。此外，我们对训练数据集大小进行子采样，并使用学习曲线拟合来研究训练数据集大小对机器学习模型性能的影响。提出了生理时间序列数据的一般预处理方法，并利用骰子损失法处理数据集不平衡问题。结果表明，深度学习确实优于非深度学习，但有一定的条件：首先，使用一些特定的评估指标（AUROC、AUPRC、Sensitivity和FNR）进行评估，而不是其他指标;其次，训练数据集大小足够大（估计为数千量级）。
2022-11-11 cs.AI cs.LG
Curriculum-Aware Interpolate-then-Refine: Learned Physiological Time-Series Imputation under Realistic Missingness
针对生理时间序列补全中通用模型的不足，提出CAIR两阶段框架，在多数据集多缺失机制下均实现最优性能，且能同时兼顾重建误差与临床负担指标。
2026-08-24 cs.AI cs.LG
Band-phase-randomized Surrogates to assess nonlinearity in non-stationary time series
非线性检验是非线性时间序列分析中最重要的预处理步骤之一。通常，这是通过线性替代数据方法来完成的。但众所周知，结果的有效性在很大程度上取决于时间序列的平稳性。由于大多数生理信号都是非平稳的，使用线性替代数据方法很容易错误地检测非线性。在本文中，我们提出了一种方法来扩展的过程中产生的约束代理时间序列，以评估非线性非平稳数据。该方法是基于频带相位随机化替代，其中包括（与线性替代数据方法相反）随机化仅一部分的傅立叶相位在高频带。模拟时间序列的分析表明，与线性替代数据方法相比，我们的方法能够区分线性平稳，线性非平稳和非线性时间序列。当将我们的方法应用于心率变异性（HRV）的时间序列，目前尖峰和其他类型的非平稳性，我们能够获得替代时间序列，看起来像的数据，并保持线性相关性，这是不可能做到与现有的替代数据的方法。
2011-01-31 physics.data-an stat.AP
SOTER: A Generative Time-Series Foundation Model for Wearable Human Physiological Signals
Zhejiang University（浙江大学）；Shanghai Innovation Institute（上海创新研究院）；Fudan University（复旦大学）；Huazhong University of Science and Technology（华中科技大学）
提出生成式基础模型SOTER，融合跨通道耦合、频谱引导专家与连续时间潜演化，在可穿戴生理信号上实现最优零样本预测、分类与插补性能。
2026-09-16 cs.AI cs.LG
A Multi-Agent Framework for Interpreting Multivariate Physiological Time Series
Sapienza University of Rome Rome Italy；ISTC-CNR \& Sapienza University of Rome Rome Italy；Technical University of Munich Munich Germany；Sapienza University of Rome；ISTC-CNR \& Sapienza University of Rome；Technical University of Munich
本研究提出Vivaldi多智能体框架，通过对比不同模型表现，发现智能体系统在非思考模型中提升解释质量，但在思考模型中反而降低相关性，强调了计算外部化在医疗AI中的重要性。
2026-03-04 cs.LG
Cyclostationary Phase Conditioning for Medical Time Series Diffusion
ETH Zurich（苏黎世联邦理工学院）
本文提出通过移位协变小波表示和逐样本相位条件化编码循环平稳性，并引入无训练循环平稳性指数及对偶耦合采样，以提升医学时间序列扩散恢复性能。
2026-09-30 cs.AI cs.LG eess.SP
GRU-TV: Time- and velocity-aware GRU for patient representation on multivariate clinical time-series data
Xidian University（西安电子科技大学）；Robarts Research Institute（罗伯茨研究所）；Western University（韦仕敦大学）；University of Michigan（密歇根大学）
电子健康记录（EHR）通常是高度多维，异构和多模式的。此外，临床变量的随机记录导致从电子病历中提取的多变量临床时间序列数据中的高缺失率和相邻记录之间的不均匀时间间隔。目前的工作，使用临床时间序列数据的病人表示把病人的生理状态作为一个离散的过程描述的零星收集的记录。然而，患者生理状况的变化是连续的动态过程。对时间和变化速度的感知对于患者的表示学习至关重要。在这项研究中，我们提出了一个时间和速度感知的门控递归单元模型（GRU-TV）的患者表示学习的临床多变量时间序列数据在时间连续的方式。神经常微分方程（ODEs）和速度感知机制分别用于感知相邻记录之间的时间间隔和患者生理状态的变化率。我们在两个真实的临床EHR数据集（PhysioNet 2012，MIMIC-III）上的实验表明，GRU-TV是计算机辅助诊断（CAD）任务的鲁棒模型，特别是在具有高方差时间间隔的序列上。
2022-10-12 cs.AI cs.LG
MedTsLLM: Leveraging LLMs for Multimodal Medical Time Series Analysis
Johns Hopkins University（约翰斯·霍普金斯大学）
针对医学生理信号分析的难点，研究提出多模态大语言模型框架MedTsLLM，通过重编程层对齐时序嵌入与LLM空间、结合文本上下文，在多类医学时序任务上超越现有最优方法，为临床分析提供新方案。
2024-08-14 cs.LG
Signal2Symbol: Neuro-Symbolic Temporal Reasoning for Explainable Physiological Time-Series Anomaly Detection
New York University（纽约大学）；Koc University（科奇大学）
Signal2Symbol通过神经符号框架将生理信号转为符号序列，结合稀有项集挖掘与Allen/FCA推理，实现可解释的时序异常检测与复合时间解释。
2026-09-24 cs.AI cs.LG
Hybrid Quantum Neural Network for Multivariate Clinical Time Series Forecasting
Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University, Sweden（诊断与介入部门，辐射物理，生物医学工程，乌梅大学，瑞典）；Department of Naval, Electrical, Electronics and Telecommunications Engineering, University of Genoa, Italy（海军、电气、电子与电信工程部门，热那亚大学，意大利）
提出一种混合量子-经典架构，将变分量子电路集成到循环神经网络中，用于多变量生理时间序列的多步预测，在BIDMC数据集上表现出与基线相当的精度和更强的鲁棒性。
2026-05-25 cs.LG
Pattern Discovery in Time Series with Byte Pair Encoding
USC Information Sciences Institute（南加州大学信息科学研究所）
可穿戴传感器的日益普及产生了大量的时间生理和活动数据。分析这些数据的能力为实时健康监测和预测提供了新的机会。然而，时间生理数据提出了许多分析挑战：数据是嘈杂的，包含许多缺失值，每个系列具有不同的长度。大多数时间序列分析和分类方法不处理具有这些特征的数据集，也不提供可解释性和可解释性，这是健康领域的关键要求。我们提出了一种无监督的方法来学习表示的时间序列的基础上，在其中确定的共同模式。这些模式是可解释的，长度可变的，并使用字节对编码压缩技术提取。通过这种方式，该方法可以捕获数据中存在的长期和短期依赖性。我们表明，这种方法适用于单变量和多变量时间序列，并在从可穿戴传感器收集的真实世界数据集上击败了最先进的方法。
2021-05-30 cs.LG eess.SP
TNANet: A Temporal-Noise-Aware Neural Network for Suicidal Ideation Prediction with Noisy Physiological Data
Tsinghua University（清华大学）；Communication University of China（中国传媒大学）；Multimodal Sensing and Computing Laboratory（多模态感知与计算实验室）
针对自然噪声下基于 PPG 的自杀意念预测难题，提出融合先进编码与置信度学习的 TNANet，并构建真实数据集，性能优于现有方法。
2024-01-23 cs.CY cs.LG
Toward World Modeling of Physiological Signals with Chaos-Theoretic Balancing and Latent Dynamics
University of California San Diego（加州大学圣地亚哥分校）；Dartmouth College（达特茅斯学院）；Amazon Web Services（亚马逊网络服务）；Sanderling Renal Services（Sanderling 肾脏服务）；Renal Research Institute（肾脏研究研究所）；Icahn School of Medicine at Mount Sinai（辛克尔医学院（Mount Sinai））
本文提出NormWear-2模型，通过将多变量生理信号与临床干预变量编码到共享潜在空间，结合先验知识推理与非参数潜在状态转移适应，实现多时间尺度的预测。混沌理论平衡动态制度多样性提升了表示鲁棒性，且在不同临床场景下表现优异。
2026-05-14 cs.LG eess.SP
Toward Foundation Model for Multivariate Wearable Sensing of Physiological Signals
Halıcıoğlu Data Science Institute, University of California San Diego（哈利奇奥格鲁数据科学研究所，加州大学圣地亚哥分校）；Schools of Engineering, Arizona State University（工程学院，亚利桑那州立大学）
针对可穿戴生理传感数据异质性强、泛化表示难的问题，提出带通道感知注意力的多模态基础模型NormWear，在11个数据集18项健康任务中多设置下均优于基线。
2025-05-16 cs.LG eess.SP
A Bayesian Deep Learning Framework for End-To-End Prediction of Emotion from Heartbeat
Limbic Ltd（Limbic有限公司）
情感的自动预测有望彻底改变人机交互。最近的趋势涉及融合多种数据形式-音频，视觉和生理-对情绪状态进行分类。然而，在实践中，“在野外”收集生理数据目前仅限于由负担得起的可穿戴心脏监测器生成的那种心跳时间序列。此外，情感预测的实际应用通常需要对模型输出的不确定性进行某种度量，以便为下游决策提供信息。我们在这里提出了一个端到端的深度学习模型，用于从单峰心跳时间序列中分类情感效价。我们进一步提出了一个贝叶斯框架，这些效价预测建模的不确定性，并描述了一个概率的程序，选择接受或拒绝模型输出根据预期的应用。我们将我们的框架与两个已建立的数据集进行了基准测试，并实现了90%的峰值分类准确率。这些结果为情感计算在现实世界领域的应用奠定了基础，例如医疗保健，其中高度重视非侵入性数据收集和预测确定性。
2020-04-19 cs.HC cs.LG stat.ML
Nonlinear parametric model for Granger causality of time series
我们推广了以前提出的方法的非线性Granger因果关系的时间序列，基于径向基函数。该模型不受两个时间序列中变量的可加性限制，可以近似这些变量的任何函数，仍然适用于评估因果关系。在一个生理学的例子和兴奋性和抑制性神经元模型中的反馈回路的研究中，这种因果关系的测量是正确的。
2006-02-07 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Decoding Emotional Experience through Physiological Signal Processing
Northeastern University（东北大学）；University of Pittsburgh（匹兹堡大学）
研究人员越来越多地达成共识，使计算机具有情感智能，具有解码人类情感状态的能力，将允许更有意义和更自然的人机交互（HCI）方式。识别人类情感状态的一种非侵入性和非侵入性的方法需要探索生理信号在不同情感体验下如何变化。特别是，本文探讨了多模态身体信号和离散的情绪状态的神经介导的变化之间的相关性。为了充分利用每种模式中的信息，我们提供了一种创新的分类方法，用于三种特定的生理信号，包括肌电图（EMG），血容量压力（BVP）和皮肤电反应（GSR）。这些信号被分析为基于一系列弱学习者的融合的情感识别范例的输入。我们提出的分类方法显示出88.1%的识别准确率，这优于传统的支持向量机（SVM）分类器的17%的准确率提高。此外，为了避免信息冗余和由此产生的过拟合，提出了一种基于相关性分析的特征约简方法，以优化训练和验证每个弱学习器所需的特征数量。结果表明，尽管特征空间维数从27个降到18个特征，我们的方法仍然保持了约85.0%的识别准确率。这种复杂性的降低将使我们更接近于将这种人类情感编码器嵌入无线和可穿戴HCI平台。
2016-06-01 cs.HC cs.LG
Modality vs. Morphology: A Framework for Time Series Classification for Biological Signals
UT-Battelle, LLC（UT-巴特勒公司）；Oak Ridge National Laboratory（橡树岭国家实验室）
本文提出了一种统一的形态-模态框架，通过分析生物信号的形态结构，揭示了如何影响模型设计和性能，强调形态对预处理和建模策略的重要性，并指出未来的工作方向包括形态数据增强和评估指标改进。
2026-05-18 cs.AI cs.LG
AdaptStress: Online Adaptive Learning for Interpretable and Personalized Stress Prediction Using Multivariate and Sparse Physiological Signals
Engineering and Technology institute Groningen (ENTEG), University of Groningen（格罗宁根大学工程与技术学院（ENTEG））；Department of Human Movement Sciences, University Medical Center Groningen（格罗宁根大学医学中心人类运动科学系）
AdaptStress通过自适应学习和多变量生理信号预测压力，实现个性化和可解释的连续压力监测。
2026-02-19 cs.AI cs.LG
Agentic Anomaly Detection with ORCA-Style Dynamic Inductive Bias Adaptation in Multimodal Wearable Time Series Data
BITS Pilani（皮尔尼理工学院）
该研究针对资源受限的非平稳生理时间序列异常检测问题，提出ORCA框架，通过监督控制器动态调整时间感受野，在WBAN和MIMIC-IV数据集上实现稳健性能，无需预调时间范围。
2026-08-11 cs.AI cs.LG
Sequential Multi-Dimensional Self-Supervised Learning for Clinical Time Series
Massachusetts Institute of Technology（麻省理工学院）；Harvard-MIT Program in Health Sciences and Technology（哈佛-麻省理工健康科学与技术项目）
针对现有临床时间序列自监督学习无法处理多模态数据的局限，提出序列多维度SSL方法，通过双尺度施加自监督损失提升性能，在两类临床数据集上均优于基线。
2023-07-20 cs.LG
Advancing time series completion via RFAMoE and MDFF
University of Georgia（佐治亚大学）；University of Arizona（亚利桑那大学）；Northeastern University（东北大学）
本文提出基于MoE的噪声估计器和RFAMoE、MDFF模块，通过自适应接收域和并行信号融合提升医疗时间序列补全性能。
2026-01-12 cs.AI cs.LG
TransConv-DDPM: Enhanced Diffusion Model for Generating Time-Series Data in Healthcare
Department of Computer Science Texas State University San Marcos, TX, USA（计算机科学系德克萨斯州立大学桑马科斯分校）
TransConv-DDPM通过结合DDPM、U-Net和Transformer层，有效生成医疗领域的高质量时序数据，提升预测模型性能。
2026-02-03 cs.LG
Cross-Temporal Attention Fusion (CTAF) for Multimodal Physiological Signals in Self-Supervised Learning
HEC Montréal（蒙特利尔高等商学院）；Mila-Quebec Artificial Intelligence Institute（魁北克人工智能研究所Mila）
CTAF通过时间感知的交叉注意力机制，实现多模态生理信号在自监督学习中的高效融合，提升匹配对的余弦边距和跨模态检索性能，同时保持高准确率并减少标签依赖。
2026-02-02 cs.AI cs.LG
Empathetic Conversational Agents: Utilizing Neural and Physiological Signals for Enhanced Empathetic Interactions
Empathic Computing Lab, Auckland Bioengineering Institute, University of Auckland（同理心计算实验室，奥克兰生物工程研究所，奥克兰大学）；Department of Psychological Medicine, Faculty of Health Psychology, University of Auckland（心理医学系，健康心理学学院，奥克兰大学）
本文探讨将神经和生理信号整合到对话智能体感知模块以实现实时情绪识别，研究表明该方法能显著提升共情数字人交互中的用户情绪体验和参与度，同时指出了识别准确率等挑战。
2025-01-14 cs.HC cs.LG
MC-QDSNN: Quantized Deep evolutionary SNN with Multi-Dendritic Compartment Neurons for Stress Detection using Physiological Signals
International Institute of Information Technology Bangalore（国际信息技术研究所班加罗尔分校）
本文提出MCLeaky多区室神经元及其量化深度进化SNN，用于多模态生理信号压力检测，以更少参数达到98.8%准确率，并显著降低能耗与EDP。
2024-10-25 cs.LG cs.NE
Automatic Classification of Subjective Time Perception Using Multi-modal Physiological Data of Air Traffic Controllers
University of Konstanz（康斯坦茨大学）；Panteion University of Social and Political Sciences（潘提翁社会与政治科学大学）
本文提出基于光电容积脉搏波、皮肤电活动和温度等多模态生理数据，用11种机器学习分类器自动评估空管员主观时间感知，支持向量分类器达到79%准确率。
2024-09-30 cs.HC cs.LG
Combining Deep Transfer Learning with Signal-image Encoding for Multi-Modal Mental Wellbeing Classification
情绪状态的量化是理解幸福的重要一步。来自多种模态的时间序列数据（例如生理和运动传感器数据）已被证明是测量和量化情绪的不可或缺的。在长时间段内监测情绪轨迹继承了与训练数据的大小有关的一些关键限制。这个缺点可能会阻碍可靠和准确的机器学习模型的开发。为了解决这个问题，本文提出了一个框架来解决在多个多模态数据集上执行情绪状态识别的局限性：1）将多变量时间序列数据编码成彩色图像; 2）利用预先训练的对象识别模型来应用迁移学习（TL）方法，使用来自步骤1的图像; 3）利用1D卷积神经网络（CNN）从生理数据执行情绪分类; 4）将预先训练的TL模型与1D CNN连接。此外，通过使用大的身体活动数据集初始训练1D CNN，然后将学习到的知识应用于目标数据集，来探索执行TL以从生理数据推断压力的可能性。我们证明，使用我们的框架可以增强在5点Likert量表上推断现实世界幸福感时的模型性能，从而获得高达98.5%的准确率，比传统的CNN高出4.5%。使用相同方法的受试者独立模型的平均准确度为72.3%（SD 0.038）。提出的基于CNN-TL的方法可以克服小训练数据集的问题，从而提高传统深度学习方法的性能。
2020-11-20 cs.CV cs.LG
Lost in Time? A Meta-Learning Framework for Time-Shift-Tolerant Physiological Signal Transformation
ShiftSyncNet通过元学习框架自动缓解时间偏移对生理信号转换的影响，提升转换精度和标签质量。
2025-11-26 cs.LG
Represent, Then Generate: Multimodal-Conditioned Time-Series Generation under Irregular Missingness
提出ReCoGen两阶段框架，将多模态条件表征与生成分离，在三个生理基准的16项任务中超越6种生成器，可合成缺失生理信号以实现低侵入性临床监测。
2026-08-18 cs.LG
