CogMoE：用于认知负荷预测的信号质量引导多模态 MoE

基于摘要分析。该研究面向生理信号质量较差且波动明显时的认知负荷（CL）预测，提出信号质量引导的混合专家（MoE）框架 CogMoE。核心贡献是以估计的信号质量驱动 EEG、ECG、EDA 与 gaze 的融合，而非仅按模态身份组织信息，以适应异质、含噪输入。 框架包含两个阶段：首先进行质量感知的多模态同步与恢复，旨在缓解伪迹、时间错位和数据缺失；随后通过跨模态 MoE transformer 建立针对不同信号质量的专家建模，并根据质量调节信息流。作者还提出 CORTEX Loss，用于平衡任务准确性、质量感知表征优化与噪声条件下的专家利用。摘要未提供质量估计方式、专家划分、门控计算、恢复机制或损失数学形式，这些实现细节尚未验证。 作者报告，在 CL-Drive 和 ADABase 上，CogMoE 在所测试的全部模态组合及序列长度下优于强基线，并在多种信号质量条件下获得持续改善。摘要未给出具体指标、数值、数据划分、被试数量，也未说明采用被试内、跨被试还是跨会话评估，因此不能据此量化优势或认定其跨被试泛化能力。实验协议、消融及统计信息尚未验证。 复现时值得核对：信号质量估计是否与任务标签及测试数据严格分离，质量门控相对常规模态融合的独立贡献，以及同步恢复、专家建模和 CORTEX Loss 各自的作用；这些均是待核对事项，而非已确认的问题。作者称代码已公开，但代码内容、运行条件及与论文实验的一致性尚未验证。研究直接包含 EEG，但认知负荷预测的结果不应直接等同于其他 EEG/BCI 任务或真实驾驶部署的有效性。