DERI：基于深度 ECG–报告交互的跨模态 ECG 表征学习

该研究面向 ECG 心脏疾病分类中自监督表征难以充分捕获临床语义的问题，提出跨模态框架 DERI，利用 ECG 与临床报告的深度交互学习包含临床语义的信号表征，并将其扩展至报告生成。基于摘要分析，未取得论文全文。 方法结合多重对齐与相互特征重建，使 ECG 表征融合报告中的临床语义；另设计受掩码建模启发的 RME-Module，以改善 ECG 表征学习。摘要未展开具体对齐层级、重建目标、掩码策略及损失形式，这些机制尚待正文核对。研究还引入语言模型进行报告生成，作者将其作为评估表征临床语义及探索临床应用的途径；生成质量是否对应可靠的临床语义仍需结合评估协议判断。 作者报告在多个数据集、不同设置下取得更优表现，但摘要未提供数据集名称、样本规模、划分方式、对照方法、具体指标与数值，无法据此判断收益大小及泛化范围。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，训练配置、数据可得性与复现条件仍需核对。 平台推测（待验证）：其“信号—报告对齐与相互重建”机制可能适用于具有配对临床报告的 EEG 表征学习，但原研究对象是 ECG，并非 BCI。迁移依赖可靠配对的 EEG 与文本监督，数据规模要求尚未验证；可考察复用跨模态训练目标，但需改造信号编码、通道处理及掩码策略。低信噪比、跨被试差异、通道配置变化和小规模配对数据可能削弱收益，报告也未必包含 BCI 任务所需语义。一个可证伪的小实验是在固定跨被试划分和相同编码器下，对比信号自监督、加入文本对齐、再加入相互重建的方案，检验文本交互是否带来稳定增益。已有 EEG 相关工作尚未检索确认。