PhysioDyT：用于 ECG–PPG 表征学习的生理定向动态传输

基于摘要分析。PhysioDyT 针对 ECG 电活动先于外周 PPG 血流动力学响应、且两者时延随个体和采集条件变化的问题，提出生理定向动态传输框架，避免将跨模态关系简化为固定同步对应或对称相似性。主要研究对象是心血管生理信号表征学习，并非 EEG 或 BCI 解码。 机制上，模型预测样本相关的正时间偏移分布，以软单调传输保持时间顺序，并通过 dustbin 状态容纳不可靠或无法匹配的事件；该定向传输路径与双向潜在表征预测结合，以保留两种传感模态中的有用信息。摘要未提供具体损失形式、网络结构和训练规模。 评估采用严格患者互斥、与预训练数据互斥的可穿戴队列，包含在独立预训练随机种子下进行的仅 PPG 冠心病预测。作者还以方向反转、跨患者错配、时间偏移干预及传输组件消融，检验模型是否响应生理方向、患者特异配对和时序扰动。作者报告结果支持动态传输作为跨模态生理表征学习的结构化归纳偏置，但未在摘要中给出指标、效果幅度或统计不确定性；实验协议、消融及统计信息尚未验证。作者特别指出，学到的潜在时延不应直接解释为临床脉搏到达时间测量。 平台推测（待验证）：若用于具有明确方向性和可变时延的 EEG—外周生理信号配对，正时延分布、软单调传输与未匹配状态可能具有复用价值，但须先确认任务中的生理方向假设，改造信号编码与时间尺度，并具备可同步配对的记录。低信噪比、跨被试时延差异、通道变化及小数据可能使传输对齐失稳。可在小规模配对记录上比较动态传输与固定时延对齐，并加入时间偏移和配对打乱，检验其收益是否依赖真实时序关系；原领域结果不代表 BCI 有效，已有 EEG 相关工作尚未检索确认。