C-GRASP：面向情感信号处理的临床导向推理
人工智能
2026-01-16 v1
摘要
心率变异性（HRV）是自主神经监测的关键非侵入性标记；然而，将大语言模型（LLM）应用于 HRV 解释面临生理幻觉问题，包括呼吸 sinus arrhythmia（RSA）污染、非线性指标的短数据不稳定以及对个体化基线的忽视。我们提出C-GRASP（Clinically-Grounded Reasoning for Affective Signal Processing），一种受监管的基于检索增强生成（RAG）的管线，将 HRV 解释分解为八个可追踪的推理步骤。C-GRASP的核心在于Z-score优先级层级，强制将个体化基线变化的权重置于常规统计数据之上。该系统通过自动RSA感知监管措施有效缓解谱系幻觉，防止频域指标受污染。在414例DREAMER数据集的评估中，C-GRASP集成高规模推理模型（如MedGemma3-thinking）在4类情感分类中实现了37.3%的准确率，并获得了69.6%的临床推理一致性（CRC）分数。消融研究确认，个体化Delta Z-score模块是关键逻辑锚点，防止了原生LLM中常见的“population bias”。最终，C-GRASP将情感计算从黑箱分类转向透明、基于证据的临床决策支持，为医疗工程中的更安全AI集成铺平了道路。
引用
@article{arxiv.2601.10342,
title = {C-GRASP: Clinically-Grounded Reasoning for Affective Signal Processing},
author = {Cheng Lin Cheng and Ting Chuan Lin and Chai Kai Chang},
journal= {arXiv preprint arXiv:2601.10342},
year = {2026}
}