面向多模态健康数据建模的跨维度与跨模态关系张量表征学习

基于摘要分析。本文研究异构多模态健康数据中模态内部及模态之间的复杂依赖，提出 Relational Tensor Representation（RTR）框架，联合学习维度特定的张量表征、跨维度关系与跨模态关系，为下游预测构建紧凑表征。 核心机制是引入可学习的关系桥接矩阵，在保留张量各维度与模态结构身份的同时建模关系信息；随后通过结构化融合机制整合因子层面与关系层面的信息。其方法重点不是仅融合各模态特征，而是显式纳入不同维度和模态之间的关系。桥接矩阵的具体参数化、训练目标、张量分解形式及缺失模态处理方式尚未验证。 作者报告，在模拟数据及两个多模态神经生理数据集上，覆盖情绪识别与脑活动分类任务，RTR 持续优于代表性的张量学习、多模态融合及 Transformer 基线。摘要未提供数据集名称、信号模态、被试数量、划分协议、指标或收益幅度，因此不能据此判断其跨被试、跨会话泛化能力，也不能确认是否涉及 EEG 或在线 BCI。实验协议、消融及统计信息尚未验证。作者表示计划公开源代码，不能视为代码已经发布。 平台推测（待验证）：若目标 EEG 多模态数据具有可明确组织的通道、时间及模态等张量维度，关系桥接与分层融合机制可能用于检验显式关系建模是否改善多模态解码。可复用的是桥接和融合思路，需改造的是信号张量化与模态对齐；低信噪比、通道配置差异及小样本可能使关系估计不稳定。一个可检验的小实验是在固定跨被试划分和相同输入下，对比完整 RTR、移除关系桥接的变体与普通融合基线，检验增益是否稳定。该假设不属于论文已验证的 EEG/BCI 结论，已有 EEG 相关工作尚未检索确认。