从片段到轨迹：用于连续 EEG 情感识别的演化情感图与证据检索

基于摘要分析。本文研究如何从完整 EEG 试次预测时间对齐的情感轨迹，而非将试次切分后给每个片段赋予同一试次标签。作者提出 EAGER，通过演化情感图与时间证据检索，联合建模试次内空间组织变化、短期情感波动和较长期趋势。 研究动机是：片段继承试次标签虽能增加训练样本，却将随刺激持续变化的情感响应简化为粗粒度、静态预测。作者将连续 EEG 情感识别形式化为整试次情感轨迹预测，关注情感随时间出现、增强、减弱与波动的过程。 方法包含两个互补模块：Affective State-guided Topology Evolution 用于建模 EEG 活动空间组织的动态演化；Multi-scale Temporal Evidence Retrieval 用于整合短期波动与更长时间范围的趋势，支持时间对齐预测。摘要未披露图节点与边的定义、情感状态如何引导拓扑变化、证据检索的候选范围与实现方式，以及损失函数和训练流程，相关细节尚未验证。 作者报告，在 MAHNOB-HCI、SEED-VII 和 REFED 上，相比代表性方法，EAGER 在轨迹跟踪指标上取得一致提升，同时保持有竞争力的逐时间点误差。摘要未提供具体指标名称、数值、对照方法及被试内或跨被试等划分协议，因此尚不能判断增益幅度或跨协议可比性。 复现与解释结果时，应重点核对连续情感标签的来源、时间分辨率及其与 EEG 的对齐方式，并确认推理是否使用完整试次上下文；整试次轨迹预测并不自动意味着可实时在线识别。实验协议、消融及统计信息尚未验证，数据预处理与代码可用性也需查阅全文确认。