C-GRASP：面向情感信号处理的临床依据推理

心率变异性（HRV）是自主神经监测的关键无创指标；然而，将大语言模型（LLM）应用于 HRV 解读受到生理幻觉的阻碍。这些问题包括呼吸性窦性心律不齐（RSA）污染、非线性指标在短数据下的不稳定，以及以人群常模取代个体化基线的忽视。我们提出 C-GRASP（Clinically-Grounded Reasoning for Affective Signal Processing），一个带护栏、经 RAG 增强的流水线，将 HRV 解读分解为八个可追溯的推理步骤。C-GRASP 的核心是 Z-score 优先级层级，强制个体化基线变化的权重高于人群统计。该系统通过自动化的 RSA 感知护栏有效缓解频谱幻觉，防止频域指标被污染。在 DREAMER 数据集的 414 次试验上的评估显示，与高规模推理模型（如 MedGemma3-thinking）结合的 C-GRASP 在四分类情绪分类（37.3% 准确率）中取得更优表现，临床推理一致性（CRC）得分为 69.6%。消融研究证实，个体化 Delta Z-score 模块是关键的逻辑锚点，可防止原生 LLM 常见的“人群偏差”。最终，C-GRASP 使情感计算从黑箱分类走向透明的、基于证据的临床决策支持，为 AI 在生物医学工程中的更安全集成铺平道路。