SiDe：具有原始信号细节恢复的长序列电生理信号生成

基于摘要分析。本文研究长序列电生理信号生成中的压缩位置问题：直接建模大量原始采样点计算昂贵，而前端潜在压缩可能提前损失高频统计与局部细节。作者提出 SiDe（Signal-space Detailer），在条件 Transformer 主干中保留压缩表示以建模长程结构，同时提供输出端原始信号路径，用于速度预测，避免局部细节只能经由压缩 token 恢复。 主要研究对象是姿态条件 EMG 生成。作者报告，在该任务中，相较 JiT-style 基线，SiDe 将 rFID 从 7.363 降至 2.414，并更好地保留频率分布及常见 EMG 统计特征分布。作者还报告，生成 EMG 能随姿态速度操控发生相应变化，并在受控扰动下呈现与真实 EMG 一致的退化趋势。摘要未交代这些比较的数据划分、序列长度、采样率、统计不确定性及 rFID 具体计算协议，因此不能将该结果直接外推为 EEG 生成或 BCI 下游性能提升。 作者另在 Sleep-EDF EEG 和 PTB-XL ECG 上开展实验，以考察原始信号细节恢复在不同模态中的适用范围，但摘要未提供这些实验的具体指标和结果。值得进一步核对原始信号路径与压缩主干的连接方式、速度预测的训练目标、计算开销，以及 EEG 频谱和局部波形改善是否同时成立；实验协议、消融及统计信息尚未验证。该工作已包含 EEG 实验，但其对 BCI 解码或生成数据增广的有效性仍未得到所给材料支持。