通过多尺度对比进行多模态生理信号表征学习以识别抑郁

基于摘要分析。该研究面向 EEG 与 fNIRS 多模态生理信号的抑郁识别，提出采用孪生架构和多尺度对比学习的表征学习框架 MRLMC，旨在利用同一刺激任务下两种模态的互补信息与语义一致性。 方法首先通过时域数据增强，将 fNIRS 与 EEG 转换为不同但相关的数据；随后，时空对比模块借助权重共享的多尺度时空卷积学习信号表征；另设语义一致性对比模块，以最大化两种模态的语义相似性，强化与刺激任务相关的表征。其主要设计在于同时考虑多尺度时空结构与跨模态语义对应，而不只是融合两类信号。具体增强操作、正负样本构造、损失形式及权重共享范围，摘要未提供。 作者报告，在公开及自采多模态生理信号数据集上的实验中，MRLMC 优于所比较的先进模型，并可迁移至多模态时间序列下游任务。摘要未列出数据集名称、被试规模、数据划分、评价指标、具体结果及下游任务，因此尚不能判断其跨被试或跨会话泛化能力，也不能量化各模块的独立贡献；实验协议、消融及统计信息尚未验证。 复现时需核对 EEG 与 fNIRS 的时间对齐方式、刺激任务与抑郁标签的关系，以及语义一致性约束是否保留了模态互补信息。作者表示将在评审后发布代码与权重，当前材料不足以确认其公开状态。本研究的主要任务是生理信号抑郁识别，不能据此视为已验证的 BCI 控制或临床诊断方案。