SemPSG：用于多导睡眠图分析的语义通道感知基础模型

多导睡眠图（PSG）集成了多种生理信号来提供人类睡眠的全面表征，但其跨中心的异构通道配置对可转移表示学习提出了巨大的挑战。现有的基础模型主要关注生理建模或时间学习，而通道身份通常被视为固定的结构索引，忽略了信号模态和参考配置编码的生理语义。为此，我们提出了 SemPSG，一种用于异构 PSG 分析的语义通道感知基础模型。 SemPSG 明确表示通道身份的生理语义，并将其合并到信号表示学习和通道聚合中，从而实现跨不同数据配置的灵活建模。具体来说，语义条件时间序列编码器捕获信号特定的时间动态和跨信号交互，而多视图图像编码器从相同的生理记录中提取互补的时间频率和形态模式。我们在睡眠和健康相关任务上评估 SemPSG，包括睡眠分期、睡眠障碍呼吸分析、疾病预测、认知和情绪识别以及人口统计估计。大量实验证明了通用时间序列基础模型和 PSG 特定基础模型的一致改进，以及跨不同通道配置的异构数据集的泛化。