摘要
可穿戴设备对焦虑障碍前自主神经失调的监测必须能推广至未见过的佩戴者；所报告的准确率在很大程度上反映的是评估协议，而不仅仅是模型本身。我们使用了一种固定仪器——自主神经分支量子图网络（AB-QGN），将每一条自主神经分支映射到浅层纠缠电路中的一个具名量子比特。在架构与特征固定的条件下，来自 WESAD 和 SWELL-KW 的心率变异性（HRV）与皮肤电活动（EDA）特征分别经过无泄漏的受试者分组协议和留一受试者法（LOSO）协议，以及两种存在泄漏的协议：单模态配置下的宏观 F1 分数被夸大了 27–61 个点。诚实的融合模型宏观 F1 分数为 86.2（WESAD）和 61.4（SWELL-KW），在 LOSO 条件下分别为 84.0 和 55.1；与接近上限的数值之间的差距正是结果所在，而非不足。数据泄漏腐蚀了可信度：在常规校准下，梯度提升基线的期望校准误差为 25.6%，在按受试者不相交集重新拟合后降至 5.4%。相较于结构和参数相匹配的经典孪生模型，在 SWELL-KW 数据集上，量子核心在所有随机种子下均带来 3–12 个会话级提升，但在 51 个会话中并未达到统计显著；在 WESAD 数据集上，当参数匹配时则没有任何提升。在第三个语料库 AffectiveROAD 上，诚实的性能在每个时间窗口上都处于随机水平，而窗口重叠泄漏则将树集成模型推高至 90–98 的宏观 F1 分数。我们并不声称优于固定配置的树集成模型：本文的贡献在于一种可审计的编码方案，以及使人们能够信任某个数字所需的评估协议。
