2M-AF：基于自监督表示学习的人体动作质量评估多模态框架

基于摘要分析。本文研究人体动作质量评估（AQA），针对仅使用 RGB 时特征表征受限的问题，提出 Two-Modality Assessment Framework（2M-AF），结合骨架与 RGB 两种模态进行动作评分；其主要研究对象并非 EEG 或 BCI。 框架由骨架流、RGB 流和回归模块组成。骨架流采用 Self-supervised Mask Encoder Graph Convolution Network（SME-GCN）学习表示并用于评分，另以 Preference Fusion Module（PFM）融合特征。作者认为该融合模块能够规避不同模态的不足，但摘要未交代掩码策略、自监督目标、融合计算方式及训练流程，不能据名称推定具体实现。 作者报告，在 AQA-7、UNLV-Diving 和 MMFS-63 三个公开数据集上，2M-AF 优于所比较的当前先进方法。摘要未提供指标、数值、数据划分及基线配置，因此尚不能判断提升幅度或比较条件；实验协议、消融及统计信息尚未验证。复现还需核对骨架输入构建、两流时间对齐、评分监督及代码可用性。 平台推测（待验证）：其可能的迁移路径是将图结构自监督表示与多模态融合用于 EEG 联合动作或视觉信息的建模，但原方法依赖骨架图、RGB 及动作评分监督，并不等同于 EEG 电极图与神经任务标签。图表示与融合模块可作为候选组件，节点定义、时间尺度和输出目标需改造；低信噪比、跨被试差异、通道缺失和小样本可能削弱收益。一个可检验的小实验是在配对 EEG 与动作数据上固定编码器和跨被试划分，对比简单拼接与 PFM 的任务指标及模态缺失鲁棒性。该假设不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。