ME-TST+：通过感知 ROI 关系的时间状态转移进行微表情分析

基于摘要分析。该研究面向长视频中的微表情（ME）区间定位及情绪类别识别，提出基于状态空间模型的 ME-TST 与 ME-TST+，以时间状态转移和视频级回归替代传统滑动窗口分类，旨在刻画微表情的时间动态并处理不同持续时长的事件。主要研究对象是面部视频，而非 EEG 或 BCI。 机制与贡献：摘要指出，固定窗口长度和硬分类限制了既有方法对微表情动态的表达，同时分别处理定位与识别可能忽略二者的关联。ME-TST+ 进一步引入多粒度 ROI 建模与 slowfast Mamba 框架，以缓解将微表情分析作为时间序列任务处理时的信息损失，并在特征层面和结果层面协同定位与识别。具体状态定义、回归目标、损失函数、ROI 关系构造及 slowfast 实现尚未验证，不能仅由名称推断其结构。 证据与复现：作者报告，广泛实验表明所提方法达到最先进性能，但摘要未提供数据集、数据划分、对照基线、指标或数值，因而目前无法核对优势幅度及适用协议。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，代码可运行性、训练配置与结果复现情况仍需检查；来源信息也不足以确认论文接收或正式发表状态。 平台推测（待验证）：可检验的迁移假设是，将“时间状态转移—区间回归—类别识别协同”用于具有事件区间和类别标注的连续 EEG 分析，可能缓解固定窗口对变长事件的切割问题。可考虑复用时间建模与任务协同思路，但视觉 ROI 表征需改造为适合 EEG 通道或区域的表示，不能直接把面部 ROI 关系视为电极关系。低信噪比、跨被试差异、通道布局变化及小样本可能使状态估计和区间边界不稳定。一个小规模验证可在固定跨被试划分、相同输入与训练预算下，对比滑动窗口分类与状态转移回归，分别评估事件定位和类别识别，并消融协同策略。该建议不是论文已验证的 EEG 结果，已有 EEG 相关工作尚未检索确认。