CardiacMamba：基于状态空间模型的多模态 RGB-RF 融合远程生理测量框架

基于摘要分析。该研究针对远程光电容积描记（rPPG）心率估计中单一 RGB 或射频（RF）模态易受光照变化、运动伪影及肤色偏差影响的问题，提出 CardiacMamba，利用两种模态的互补信息改善远程生理测量。其主要研究对象是心率估计，而非 EEG 解码或 BCI。 方法包含三个关键模块：Temporal Difference Mamba Module（TDMM）利用帧间时间差异捕捉 RF 信号的动态变化，提取局部与全局特征；Bidirectional SSM 用于跨模态对齐；Channel-wise Fast Fourier Transform（CFFT）用于捕捉和细化 RGB 与 RF 信号的频域特征，支持心率估计及周期性检测。摘要未给出模块连接方式、损失函数、训练监督及同步处理细节，尚不能判断各模块的独立贡献。 作者报告，在 EquiPleth 数据集上的实验达到其所称的最先进性能，并改善准确性与鲁棒性；作者还报告，方法缩小了不同人口群体之间与肤色相关的性能差异，并在模态缺失时保持鲁棒性。摘要未提供具体指标、数值、被试规模、数据划分、对照基线或模态缺失协议，因此这些结论的适用范围及统计可靠性尚待全文核对。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现完整性与复现条件尚未核验。 平台推测（待验证）：跨模态时序对齐和频域处理可作为多模态神经信号融合的候选机制，但原任务依赖 RGB-RF 的互补时序信息及心率周期性，不能直接推导出 EEG/BCI 效果。若迁移至 EEG 与另一同步模态的融合，需要改造输入编码、时间尺度及频段处理；低信噪比、通道差异、小数据和跨被试变化可能使差分运算放大噪声，或使周期性假设失效。一个可检验的小实验是在固定跨被试划分下，对比单模态、简单融合及加入双向 SSM/CFFT 的融合模型，并测试模态缺失条件，检验收益是否稳定。相关 EEG 工作尚未检索确认。