EFiMAS：用于任务条件化 EEG–fNIRS 融合的证据引导多智能体系统

基于摘要分析。该研究针对 EEG 与 fNIRS 的跨模态关系随任务及可用测量信息变化、预定义融合结构难以适配的问题，将融合建模表述为任务条件化的程序构建与修订，提出证据引导多智能体系统 EFiMAS。 核心机制是双索引 Retrieval-Augmented Generation（RAG）：具有不同职责的智能体检索神经科学证据，提出建模关系并进行独立验证；同时利用方法证据构建可执行流程，再依据观察到的输出动态修订流程。其方法特点不是只设计一个固定融合网络，而是让证据检索、关系验证与程序修订参与任务特定的融合设计。摘要尚未说明两个索引的具体组织方式、智能体使用的模型、程序搜索空间、修订准则或终止条件。 作者报告，在十个公开 EEG–fNIRS 任务上的评估中，EFiMAS 能生成任务特定程序，并优于专用融合网络和基础模型；作者还报告开展了全面的组件消融与执行轨迹分析。但摘要未提供任务名称、数据集、被试数、被试内或跨被试等划分协议、对照模型名称、评价指标及数值，因而不能判断优势幅度或跨任务稳定性。实验协议、消融及统计信息尚未验证。 复现时需核对 EEG 与 fNIRS 的时间对齐及测量信息如何进入程序构建，检索证据库与测试任务的边界，以及修订所依据的输出是否涉及评估标签；这些是待核对事项，并非已确认的问题。还需确认智能体执行成本、失败程序处理、随机性控制，以及与固定融合方法比较时的资源预算。代码、证据索引和执行轨迹的可获得性尚未验证。