本研究提出了PhysMamba框架，旨在提高远程光容积测量方法在长时间序列中的效率。通过结合时间差分Mamba块和双流SlowFast架构，显著提升了生理信号的捕捉与分析能力，展现了广泛的应用潜力。

本研究利用深度学习和静息态功能磁共振成像（fMRI）技术，探讨脑血流功能及损伤的检测，旨在早期预防脑血管疾病。提出的自监督预训练框架和一维CNN模型有效重建呼吸参数，降低fMRI研究成本。同时，研究了深度生成模型在生理信号中的应用，提出创新的fMRI预训练自编码器方法，提升脑活动解码的准确性。

该文综述多项基于Transformer的情感与生理信号识别研究，涵盖多模态多尺度微表情识别、基于3D姿态与场景的情感检测、眼动生物认证、高效视频识别模型、特征融合、目标跟踪、分层混合情感识别、注意力机制探讨、脑电超分辨率及生理数据情感识别等方向。

本研究成功将舒适度和不舒适度与情感圆坐标模型最接近的情感匹配，并证明了从生理信号中评估人的舒适度和不舒适度的可行性。