研究人员开发了一种谱审计框架，用于分析处理脑电图（EEG）和心电图（ECG）等生理时间序列的深度学习模型。该框架揭示，模型通常依赖于非周期性信号分量，而非仅依赖于特定领域的特征，而该分量会受到年龄和病理等因素的影响。研究发现，这种依赖性是任务相关的，对睡眠-觉醒分类和临床异常检测的性能有显著影响，并表明应标准化非周期性对照，以提高该领域的深度学习可解释性。 AI
影响 强调了生理时间序列深度学习中潜在的混淆因素，敦促标准化对照以提高模型的可解释性和可靠性。
排序理由 该集群包含一篇详细介绍新研究框架和发现的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.08583v1 Announce Type: new Abstract: Deep learning on physiological time series is interpreted through domain-specific features -- oscillatory rhythms in EEG, morphological complexes in ECG -- yet these signals sit atop a broadband aperiodic 1/f-like envelope that cova…
Deep learning on physiological time series is interpreted through domain-specific features -- oscillatory rhythms in EEG, morphological complexes in ECG -- yet these signals sit atop a broadband aperiodic 1/f-like envelope that covaries with arousal, age, and pathology. We introd…