面向生理信号多变量可穿戴感知的基础模型

该研究针对可穿戴生理信号在波形、频带和传感器配置上的异质性，提出基础模型 NormWear，旨在学习可适配不同感知配置与健康应用的通用表示。基于摘要分析，未取得论文全文；原论文主要研究对象是多模态可穿戴感知，而非专门的 BCI 解码。 核心机制是通道感知注意力，以及共享的特殊联络 [CLS] token，用于捕捉单个传感器内部的信号模式与传感器之间的关系。作者将这种设计作为兼容不同传感器配置、提取更有信息量表示的关键。摘要未说明具体输入表示、预训练目标、训练规模或推理流程，这些细节尚未验证。 预训练涵盖多个公开数据集中的 PPG、ECG、EEG、GSR 和 IMU 信号。作者报告，在覆盖心理健康、身体状态推断、生命体征估计和疾病风险评估的 11 个公开可穿戴感知数据集、18 项应用中，NormWear 在 zero-shot、partial-shot 和 full-shot 设置下优于竞争基线。摘要未给出数据集名称、指标数值、基线清单及被试或会话划分，因此不能判断各设置的具体优势幅度，也不能据此确认跨被试、跨会话或跨数据集 EEG 解码能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若该通道关系建模确能处理不同输入传感器配置，其机制可能对应 EEG 中通道配置变化与跨通道信息整合的瓶颈。可考虑复用通道感知注意力与共享 token，但需核对其对通道身份、采样率、频带和多模态监督的依赖，并改造 EEG 输入处理。低信噪比、被试差异及小样本条件可能使模型学习到不稳定关系。一个可检验的小实验是在固定跨被试 EEG 划分下，比较相同预训练与微调条件中保留或禁用传感器间交互的表现，并测试通道删减后的性能变化；这仅是机制验证假设，不是作者已报告的结果。相关 EEG 工作尚未检索确认。