超越听觉：通过生理学信息化标记学习 Earphone 上的任务无关 ExG 表示
音频与语音处理
2025-10-27 v1 计算与语言
声音
摘要
电生理(ExG)信号提供了关于人体生理学的宝贵见解，但构建能够在日常任务中通用的基础模型仍具有挑战，主要源于两个关键限制:(i)数据多样性不足，由于大多数ExG记录是在受控实验室中收集的，使用笨重、昂贵的设备;以及(ii)任务特定的模型设计需要定制的处理(即，针对特定频率滤波器)和架构，这限制了跨任务的泛化。为了解决这些挑战，我们引入了一种可扩展的野外任务无关ExG监控方法。我们收集了50小时的无扰动自由生活ExG数据，使用基于耳机的硬件原型来缩小数据多样性差距。我们方法的核心是生理学信息化多频段标记(Physiology-informed Multi-band Tokenization, PiMT)，该方法将ExG信号分解为12个生理学信息化标记，随后进行重建任务以学习稳健的表示。这使得能够在整个频谱上进行自适应特征识别，同时捕获任务相关信息。在我们的新DailySense数据集上进行的实验——这是首个实现ExG基于五种人类感觉分析的数据集，以及四个公开ExG基准测试中，都表明PiMT在各种任务上 consistently 优于最先进的方法。
引用
@article{arxiv.2510.20853,
title = {Beyond Hearing: Learning Task-agnostic ExG Representations from Earphones via Physiology-informed Tokenization},
author = {Hyungjun Yoon and Seungjoo Lee and Yu Yvonne Wu and Xiaomeng Chen and Taiting Lu and Freddy Yifei Liu and Taeckyung Lee and Hyeongheon Cha and Haochen Zhao and Gaoteng Zhao and Sung-Ju Lee and Cecilia Mascolo and Dongyao Chen and Lili Qiu},
journal= {arXiv preprint arXiv:2510.20853},
year = {2025}
}
备注
19 pages, 9 figures