迈向多变量可穿戴生理信号感知的基础模型

基于摘要分析。本文研究可穿戴生理信号在波形模式、频带及传感配置差异下的通用表征学习问题，提出基础模型 NormWear，通过多类型生理信号预训练支持不同健康相关应用，并以信号—文本表征对齐探索未见应用的零样本推理。其主要研究对象是多变量可穿戴感知，而非专门的 BCI 解码。 方法方面，NormWear 使用来自多个公开数据集的 PPG、ECG、EEG、GSR 与 IMU 信号进行预训练，目标是提取可适应异构传感配置和应用的通用表征。摘要还提出 representation-alignment-match 方法，将生理信号嵌入与文本嵌入对齐；具体网络结构、预训练目标、对齐监督及匹配规则尚未验证。 作者报告，在覆盖心理健康、身体状态推断、生物标志物估计和疾病风险评估的 11 个公开可穿戴感知数据集、18 项应用上，NormWear 优于所比较的竞争基线，并可对未见的可穿戴信号健康应用进行零样本推理。摘要未提供具体指标、效应大小、基线名称或数据划分，不能据此判断跨被试、跨会话或跨数据集泛化，也不能将整体结果等同于 EEG 子任务表现。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若异构生理信号预训练确实学到可迁移的时序特征，其表征编码与文本对齐机制可能用于 EEG 小样本任务；但这一假设依赖于 EEG 输入适配、通道布局处理及任务文本定义。低信噪比、跨被试差异和非 EEG 信号主导预训练均可能限制迁移。可用一个被试隔离的 EEG 任务，在相同划分与分类头下比较冻结 NormWear 表征和 EEG 专用预训练表征，并单独评估文本对齐的增益。除摘要明确包含 EEG 外，相关 EEG 工作尚未检索确认；模型权重、代码与复现条件尚未验证。