sleep2vec：面向异构夜间生物信号的统一跨模态对齐
机器学习
2026-02-17 v1 信号处理
摘要
睡眠分期和临床诊断等任务传统上依赖标准多导睡眠图（PSG）设备、床边监护仪和可穿戴设备，这些设备捕获多样化的夜间生物信号（如 EEG、EOG、ECG、SpO）。然而，跨设备的异构性以及频繁的传感器脱落，为对这些多模态信号进行统一建模带来了显著挑战。我们提出了 \texttt{sleep2vec}，这是一种面向多样化且不完整夜间生物信号的基础模型，通过跨模态对齐学习共享表征。\texttt{sleep2vec} 基于 \textit{人口学、年龄、站点与历史信息的 InfoNCE} 目标进行对比预训练，该目标在42,249例夜间记录中进行，涵盖九种模态，并整合生理和获取元数据（如年龄、性别、记录站点）以动态加权负样本，缓解特定队列的捷足远嗣。在下游睡眠分期和临床结局评估任务上，\texttt{sleep2vec} 持续优于强大基线，并对可用模态子集和传感器脱落具有鲁健性。我们进一步探讨了针对夜间生物信号的规模定律，其内容涉及模态多样性和模型容量。这些结果表明，统一的跨模态对齐结合原则化的规模化，使得对现实世界夜间生物信号实现标签高效、通用性建模成为可能。
引用
@article{arxiv.2602.13857,
title = {sleep2vec: Unified Cross-Modal Alignment for Heterogeneous Nocturnal Biosignals},
author = {Weixuan Yuan and Zengrui Jin and Yichen Wang and Donglin Xie and Ziyi Ye and Chao Zhang and Xuesong Chen},
journal= {arXiv preprint arXiv:2602.13857},
year = {2026}
}