频谱审计框架揭示了脑电图和心电图深度学习中任务依赖的非周期性依赖

对生理时间序列的深度学习是通过特定领域的特征（脑电图中的振荡节律、心电图中的形态复合体）来解释的，但这些信号位于宽带非周期性 1/f 样包络之上，该包络随觉醒、年龄和病理而变化。我们引入了一个结合非周期/周期分解、保相傅立叶干预、假控制和模拟验证的频谱审计框架。非周期性依赖是任务依赖性和架构通用性的：在六种神经架构中，睡眠-觉醒分类的平坦度下降超过了 0.42 平衡精度点，临床异常检测达到 0.07-0.13，并且运动想象保持最小。七个脑电图基础模型中有六个显示出对临床脑电图的 FDR 显着非周期性依赖；年龄/性别和录音时代的控制减少了但没有消除这种影响。对 PTB-XL ECG 进行审核后发现，人口统计匹配后神经元下降持续存在 0.32--0.36，证实这一混杂类别超出了 EEG 范围。非周期性控制应该成为可解释的生理时间序列深度学习的标准。