摘要由 AI 生成
BioSync 提出一种基于 Transformer 的多模态生理数字生物标志物，整合可穿戴设备采集的心电、神经、行为及语音数据为 BioSync Index（BSI）。该模型采用多头自注意力机制处理模态标记，并引入线性分支进行特征拼接。在两项文献指导的合成队列中，BioSync 在心智衰退队列的 AUC 达 0.928，在代谢自主神经队列的准确率和 F1 值分别为 0.764 和 0.766，均优于特征拼接方法；BSI 与潜在严重程度相关系数在两组中分别为 0.91 和 0.68。消融实验表明性能提升源于宽深结合架构，且在五种模态缺失训练条件下 BioSync 表现优于拼接法。尽管其认知队列 AUC 高于五项已发表数字生物标志物参考值，但数据集与任务差异限制了直接对比结论；跨六个预设标准的比较揭示了模态融合…
关键实体KEY ENTITIES
BioSyncarXiv
报道态势 · 每日报道量LANGUAGE SPLIT
信号强度SIGNALS
全部报道（1）SOURCES
↗
BioSync 提出一种基于 Transformer 的多模态生理数字生物标志物，将可穿戴设备采集的心电、神经、行为及语音测量整合为 BioSync Index（BSI）。该模型采用多头自注意力机制处理模态标记，并引入线性分支以包含标准特征拼接。在两项文献指导的合成队列中，BioSync 在心智衰退队列的 AUC 达 0.928，代谢自主神经队列的准确率和 F1 值分别为 0.764 和 0.766，均优于特征拼接方法；BSI 与潜在严重程度相关系数在两组中分别为 0.91 和 0.68。消融实验表明性能提升源于宽深结合架构，且在五种模态缺失训练条件下 BioSync 表现优于拼接法。尽管其认知队列 AUC 高于五项已发表数字生物标志物参考值，但数据集与任务差异限制了直接对比结论；跨六个预设标准的比较揭示了模…