基于双任务测量的早期认知障碍自动检测多模态融合模型

基于摘要分析。本研究针对早期认知障碍自动筛查，将双任务条件下采集的步态、认知评分与 EEG 联合建模，提出采用 cross-attention 和模态互补损失的多模态融合方法。其主要研究对象是认知障碍筛查，而非 BCI 控制或指令解码。 测量系统在一次五分钟测量中采集三类信息，其中 EEG 在被试同时执行步态与认知任务时记录。融合模型通过 cross-attention 捕捉三种模态之间的隐含关系；作者提出的损失函数旨在减少不同模态的信息重叠，以增强互补贡献。摘要未提供具体任务内容、模态特征提取方式、注意力结构或损失数学形式，无法据此判断其实现细节及约束对象。 作者报告，在所述早期认知障碍筛查实验中，整体 AUC 为 0.9845、sensitivity 为 0.9659、specificity 为 0.9535，并称该方法在几乎所有条件下优于既有方法，且具有相对更好的跨折稳定性与 sensitivity–specificity 平衡。上述结果的样本规模、疾病分组、诊断参照、折划分规则及具体对照方法未在摘要中说明，因此尚不能确定其对应被试内还是跨被试评估，也不能将跨折稳定性直接解释为跨被试、跨会话或外部人群泛化能力。 复现与证据核对应重点确认：双任务测量流程及三模态对齐方式、行走过程中 EEG 的运动伪迹处理、认知评分与筛查标签的定义、训练与测试的被试隔离方式，以及融合模块和损失函数的独立贡献。实验协议、消融及统计信息尚未验证；代码和数据可用性亦尚未验证。作者将该框架定位为早期筛查工具，但摘要中的算法性能不足以单独确立临床适用性，仍需核对独立验证与目标人群中的表现。