UniPhyNet：用于多模态生理原始信号分类的统一网络
信号处理
2025-07-22 v1 机器学习
机器学习
摘要
我们提出 UniPhyNet，一种新型神经网络架构，用于基于多模态生理数据的认知负荷分类，具体包括 EEG、ECG 和 EDA 信号，无需显式提取手工特征。UniPhyNet 集成了多尺度平行卷积模块和带有通道注意力模块增强的 ResNet 类模块，以聚焦于信息丰富的特征；同时采用双向门控循环单元捕获时序依赖性。该架构通过学习特征图的中间融合，处理并组合单模态和多模态配置。在 CL-Drive 数据集上，UniPhyNet 将原始信号分类准确率从 70% 提升至 80%（二分类）和 62% 提升至 74%（三分类），超越基于特征的模型，证明其作为面向实际认知状态监测的端到端解决方案的有效性。
引用
@article{arxiv.2507.14163,
title = {UniPhyNet: A Unified Network For Multimodal Physiological Raw Signal Classification},
author = {Renxiang Qiu and Raghavendra Selvan},
journal= {arXiv preprint arXiv:2507.14163},
year = {2025}
}
备注
Accepted to be presented at the 35th IEEE International Workshop on Machine Learning for Signal Processing (IEEE MLSP 2025). Source code available at https://github.com/HughYau/UniPhyNet