PulseAugur
中
实时 10:58:15
English(EN) Prototype-based Self-Supervised Multimodal Learning for PPG and Accelerometry Signals

新的ProtoMM框架增强了自监督多模态生物信号学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出ProtoMM，一个旨在改进多模态时间序列数据（尤其是在生物信号领域）建模的新型自监督学习框架。与可能过度拟合易于对齐特征的现有方法不同，ProtoMM利用共享原型字典将异构模态锚定到共同的嵌入空间中。该方法旨在捕捉不同信号（如光电容积脉搏波（PPG）和加速度计）之间的互补信息，从而创建更连贯的表示。该框架在分析生理信号方面，与仅对比学习和先前多模态SSL方法相比，表现更优。 AI

影响 该框架有望为分析复杂的生物信号数据带来更鲁棒和可解释的模型。

排序理由 该集群描述了一篇arXiv论文中提出的新型自监督学习框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的ProtoMM框架增强了自监督多模态生物信号学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Wanting Mao, Maxwell A Xu, Harish Haresamudram, Mithun Saha, Santosh Kumar, James Matthew Rehg ·

    Prototype-based Self-Supervised Multimodal Learning for PPG and Accelerometry Signals

    arXiv:2510.09764v2 Announce Type: replace Abstract: Modeling multi-modal time-series data is critical for capturing system-level dynamics, particularly in biosignals where modalities such as ECG, PPG, EDA, and accelerometry provide complementary perspectives on interconnected phy…

相关实体

相关话题