HB-IGCL：用于长时 ECG 与 EEG 情绪识别的心脑实例—全局对比学习

基于摘要分析。该研究针对长时 ECG 与 EEG 情绪识别中，将记录级情绪标签直接赋予短片段所带来的监督假设，以及两种模态间同步对应关系利用不足的问题，提出 Heart-Brain Instance-Global Contrastive Learning（HB-IGCL），以跨模态局部实例与全局上下文的相容性学习替代逐片段情绪监督。 核心机制是：在同一同步记录内，学习局部生理实例是否与另一模态的配对全局上下文相容。ECG-to-EEG 与 EEG-to-ECG 目标构成双向局部—全局上下文对齐；空间引导对齐模块（SGAM）进一步关联导联级空间结构与全局时间上下文。相较于摘要所述的独立模态处理或晚期融合，其方法重点在于显式利用同步心脏与脑部观测的对应关系，而非仅合并最终特征。具体对比损失、正负样本构造、全局上下文编码方式及记录级标签的使用位置尚未验证。 作者报告，在 AMIGOS、DREAMER 和 MPED 的被试独立（跨被试）实验中，该框架在多个编码器和数据集上改善了表征学习。摘要未提供具体指标、数值、对照方法、被试划分及情绪标签定义，因此无法据此判断提升幅度或不同数据集结果的可比性。 复现时值得核对片段与完整记录的对应构造、ECG—EEG 同步和预处理方式，以及双向目标与 SGAM 的独立贡献。仅凭摘要不能判断模型是否实际捕捉到记录内情绪变化，也不能将情绪识别结果直接视为在线 BCI 有效性的证据；实验协议、消融及统计信息尚未验证。