PI-AMFM：生物医学信号分析中用于可变数量 AM-FM 模态分解的置换不变学习
PI-AMFM: Permutation-Invariant Learning for Variable-Cardinality AM-FM Mode Decomposition in Biomedical Signal Analysis
精选理由
提供可自动适配成分数量的生物医学信号分解方法，提升非平稳节律解析能力
AI 摘要
arXiv:2610.00819v1 发布类型：cross 摘要：生理信号记录通常包含非平稳振荡成分，其数量和动态特征会因信号而异。调幅-调频（AM-FM）表示非常适合刻画此类动态，并已广泛应用于生物医学信号分析。近期方法引入神经网络，从数据中学习模态分解模式，但成分数量通常是预先设定的，或通过单独的停止机制或选择机制确定。我们提出了一种用于可变数量 AM-FM 模态分解的置换不变神经框架（PI-AMFM）。PI-AMFM 将多尺度时间编码器、Mamba 主干网络和成分存在性估计相结合，并在训练过程中采用置换不变的匈牙利匹配。在合成 AM-FM 信号上，与对比方法相比，PI-AMFM 在分解误差、瞬时频率误差、重构误差和模态数量误差方面均更低，同时在交叉啁啾示例中保留了整体轨迹模式。在光电容积描记记录上，尽管仅使用合成信号进行训练，恢复出的模态仍捕获了心脏和呼吸动态。这些结果表明，PI-AMFM 有望用于非平稳生物医学信号的可变数量分解。