Panorama：耳内可穿戴设备（Hearables）的使能技术

基于摘要分析。本文面向耳内可穿戴设备（Hearables）的长期健康监测，研究低信噪比耳内生理信号的频谱特征提取问题，采用作者团队近期提出的 Panorama 方法，并讨论其向时域重建的延伸。 核心机制是将 Panorama 定义为信号自卷积的 Fourier 变换，以区别于传统功率谱密度（PSD）表征。论文将随机噪声对 PSD 特征的影响作为研究动机，重点考察极低信噪比耳内 EEG 及耳内睡眠分类任务。作者报告，在这些实验中，相较广泛使用的 PSD，Panorama 频谱具有更好的特征可分性；摘要未给出具体指标、效应大小或分类性能，因此不能将可分性改善直接等同于睡眠分类 Accuracy 提升。 作者还报告，可由自卷积重建时间序列，而自卷积可通过 Panorama 的逆 Fourier 变换获得，为时域分析提供另一种工具。重建所需的信号假设、唯一性条件、数值稳定性及噪声下的重建误差尚未验证。 该工作的直接研究对象是耳内 EEG 表征与睡眠分类，并非已验证的在线 BCI 控制。复现时应核对信号预处理、PSD 与 Panorama 的特征构造及归一化方式，并明确被试内、跨被试或跨会话评估协议。数据集、被试数量、数据划分、分类器、信噪比定义、消融及统计信息均未在摘要中披露，尚未验证。