BridgeRouter：面向跨模态桥接路径组合的增益感知实例路由

轻量级表征桥接器使预训练的、经过任务适配的 EEG 基础模型能够在其他生物信号模态上运行，而无需重新训练其主干网络。然而，在全局范围内选择单一桥接路径，会将每个实例都分配到同一条迁移路线，并忽略不同路线之间的互补性误差。因此，我们将多桥接迁移形式化为实例级算法选择问题，并提出 BridgeRouter：一种面向冻结跨模态路径组合的增益感知路由器。通过验证集选择的单最佳求解器（Single Best Solver，SBS）作为受保护的默认路径。在训练过程中，利用任务标签计算每条候选路径相对于 SBS 所带来的负对数似然降低量，并通过冻结编码器提取的目标模态表征，由一个轻量级 MLP 预测各路径对应的增益。在推理时，BridgeRouter 仅观察目标模态，既不需要 EEG、任务标签，也不需要所有候选路径的预测结果，并且只执行一条桥接路径：当预测增益超过经验证集校准的阈值时，选择预测增益最大的路径，否则选择 SBS。我们在基于 EMG 的 FOG 步态冻结检测和基于 ECG 的 ISRUC 睡眠分类任务上，评估了七条 EEG 基础模型桥接路径。在五个随机种子下，BridgeRouter 在 FOG 上取得了 $81.38\pm1.11\%$ 的平衡准确率，相比 BIOT SBS 提升了 11.49 个百分点；在 ISRUC 上取得了 $62.92\pm2.17\%$，相比 CBraMod SBS 提升了 3.83 个百分点。逐实例桥接最优选择器分别达到了 $99.96\%$ 和 $78.61\%$，表明路径组合仍具有 substantial 的提升空间。这些结果表明，相对于锚点的增益预测能够将跨模态桥接路径之间的互补行为转化为可部署的实例级路由改进，同时保留单路径推理。