研究人员开发了一个新的参数化框架来分析呼吸气流，将单个呼吸分解为更小、时域局部化的组成部分。该方法利用了生理学上合理的基函数，如半正弦波、高斯和Beta函数，实现了最小误差的高重构精度。与传统的呼吸指标相比，导出的特征在认知疲劳状态分类方面提高了高达30.7%，从而更精确地理解呼吸力学和运动控制。 AI
影响 提供了一种分析生理信号的新颖方法，有可能改进诊断工具和对认知-呼吸相互作用的理解。
排序理由 这是一篇发表在arXiv上的研究论文，详细介绍了一种新的呼吸气流分析框架。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.22695v1 Announce Type: cross Abstract: Respiratory airflow signals provide critical insight into breathing mechanics, yet conventional analysis methods remain limited in their ability to characterize the internal structure of individual breaths. Traditional approaches …
Respiratory airflow signals provide critical insight into breathing mechanics, yet conventional analysis methods remain limited in their ability to characterize the internal structure of individual breaths. Traditional approaches treat airflow as a quasi-periodic signal and rely …