生理信号作为语言：睡眠期间从呼吸到 EEG 的转换

基于摘要分析。研究提出从呼吸信号合成睡眠 EEG 的跨生理信号转换任务，以波形条件生成框架保留细粒度呼吸动态，并通过离散 tokenization 约束 EEG 目标空间。主要贡献是探索低复杂度生理信号能否生成具有下游任务价值的 EEG 表征，而非直接测量真实 EEG。 机制上，呼吸波形提供生成条件，EEG 的离散化用于应对两种模态之间的复杂度差距。摘要未说明 tokenization 的具体实现、生成模型结构、训练损失，以及呼吸与 EEG 的配对和时间对齐方式；这些信息尚未验证。 作者报告，模型在超过 28,000 名个体的数据上训练，EEG 频谱图重建的 Mean Absolute Error 为 7%；该百分比的归一化口径、测试集构成及数据划分尚未验证。在摘要所述下游评估中，合成 EEG 与真实 EEG 的年龄估计 MAE 分别为 5.0 与 5.1 年，性别检测 AUROC 分别为 0.81 与 0.82，睡眠分期 Accuracy 分别为 0.84 与 0.88。作者将这些表现概括为接近真实 EEG，并报告显著优于直接使用呼吸信号训练的基线；基线配置、统计检验及被试内、跨被试或跨数据集协议尚未验证，不能据此判断对未见个体的泛化程度。 作者还报告，可从无线射频反射信号合成 EEG，以展示向非接触感知场景泛化的可行性；摘要未提供该场景的样本规模和独立性能指标。下游任务接近真实 EEG，并不等于逐时刻脑电活动或临床异常被准确恢复，尤其需要核对细粒度 EEG 特征保真度与独立测试表现。本研究直接涉及睡眠 EEG，但材料未验证 BCI 解码或交互控制效果。实验协议、消融及统计信息尚未验证；代码、数据和复现所需条件也尚未验证。