NAPS：基于注意力机制的异质生理信号融合
机器学习
2026-05-05 v2
摘要
生理信号本质上是异质的：它们在不同的采集设置下收集，模态和通道的数量与类型各异，并且在质量、可靠性和任务相关性方面存在差异。这种变异性对需要在受试者、传感器和临床环境之间进行泛化的机器学习模型构成了重大挑战。现有方法通常对有限的模态或单通道进行训练，导致边际表示，这些表示本身无法捕捉生理状态的系统复杂性；对这些表示进行朴素融合（例如通过池化或投票方案）通常是次优的，因为它无法自适应地加权不同来源，也无法捕捉时间、空间和跨模态依赖性。我们引入了NAPS（神经生理信号聚合器），这是一个执行原则性数据融合以推导统一生理表示的神经模块，它采用专门的三轴注意力机制和维度自适应训练，以稳健地管理变化的高维传感器配置。我们在基于多导睡眠图(PSG)的自动睡眠分期上测试了NAPS，这是一个理想的真实世界应用，其中记录由多种生理信号（EEG、EOG、EMG等）组成，这些信号在不同数据集和机构间的配置差异很大。利用冻结的预训练单模态编码器，NAPS动态整合表示或预测，在多个数据集上实现了最先进的泛化性能。
引用
@article{arxiv.2511.03488,
title = {NAPS: Attention-Based Fusion of Heterogeneous Physiological Signals},
author = {Alvise Dei Rossi and Julia van der Meer and Markus H. Schmidt and Claudio L. A. Bassetti and Luigi Fiorillo and Silvia Santini and Francesca Faraci},
journal= {arXiv preprint arXiv:2511.03488},
year = {2026}
}