模态与形态：生物信号时间序列分类的框架
机器学习
2026-05-19 v1 人工智能
摘要
生物信号的时间序列分类（TSC）已从手工设计的、特定模态的方法发展到能够表示底层生理过程（即形态）的多样波形结构的深度架构。本综述引入了一个统一的形态-模态框架，将波形结构与方法学设计联系起来，揭示了尖峰、脉冲、振荡、慢漂移和层次节律如何指导模型设计。通过分析脑电图、肌电图、心电图、光电容积脉搏波图和眼部模态（眼电图、瞳孔测量、眼动追踪），本综述展示了形态如何决定预处理和建模策略。综合这些生物信号的证据，该框架揭示了形态而非模型类别最强烈地决定了性能和可解释性。这提供了对深度模型在其归纳偏置与底层波形动态一致时为何成功的洞察。本综述还指出了未来的工作，包括形态数据增强和评估指标以改善泛化能力。这些见解共同将形态感知建模定位为跨生物信号开发可泛化、可解释且具有生理意义的 TSC 模型的统一原则。
引用
@article{arxiv.2605.18483,
title = {Modality vs. Morphology: A Framework for Time Series Classification for Biological Signals},
author = {Jordan Tschida and Matthew Yohe and Edward Kane and Gavin Jager and Emma J. Reid and Tony G. Allen and Mark Story and Leanne Thompson and Joe Hoskins and Brandon Schreiber and Stan Seiferth and Scott Dolvin and David Cornett},
journal= {arXiv preprint arXiv:2605.18483},
year = {2026}
}