BH-CMA：基于脑心协同的跨模态注意力网络，用于应激认知状态解码

基于摘要分析。研究针对不同认知负荷下的应激状态识别，提出融合 EEG 与心率变异性（HRV）的 BH-CMA，以兼顾中枢与自主神经信息，并避免无差别融合掩盖两类信号各自的时空组织。其主要研究对象是应激与认知负荷条件下的生理状态解码，而非运动想象或其他特定 BCI 控制任务。 方法采用模态专用编码器，保留 EEG 的频率、时间与头皮空间组织，并建模 HRV 的时间动态；随后由 EEG 表征引导跨模态时间注意力，从同步 HRV 中提取互补信息。线性保留残差分类器将原始生理输入中的稳定判别信息与深度分支学习的非线性修正结合。具体网络规模、损失函数与训练配置尚未验证。 作者报告，在包含 28 名参与者、由急性应激诱导与认知负荷共同定义的四种条件数据上，采用留一被试法（LOSO）进行跨被试评估，Accuracy 为 58.07%，Macro F1 为 55.54%，Macro AUC 为 81.74%。相较仅使用 EEG，平均 Macro F1 提升 4.15%（摘要原文表述，尚不能确定指相对增幅还是百分点），且 28 名参与者中有 23 名的 Macro F1 更高。作者还报告，屏蔽 HRV 后有 21 名参与者的 Macro F1 下降，支持 HRV 对该模型分类的贡献；完整模型的 Macro F1 显著高于其内部线性预测模式，但摘要未给出检验方法或显著性数值。改善在认知负荷区分上更大，HCS 与 ASH 条件的召回率增益最大，两者缩写定义需查正文。 复现需核对四类条件定义、同步与分窗方式、HRV 提取及预处理流程，以及 LOSO 各折中的训练、验证和模型选择设置。完整消融、统计信息与代码可用性尚未验证；摘要中的 LOSO 结果不等同于域适应、域泛化或测试时自适应方法的验证。