通过拓扑感知特权蒸馏学习 EEG 表征

基于摘要分析。本研究针对跨被试 EEG 情绪识别中的低信噪比及跨模态语义错位问题，利用仅在训练阶段可用的音频和视频作为特权信息，通过区域拓扑关系蒸馏与决策空间对齐，训练推理阶段仅需 EEG 的学生模型。 核心方法包含两个模块。Topology-Aware Relational Distillation（TRD）由教师基于经音视频信息增强的 EEG 区域特征构建区域依赖图，学生通过匹配全局边分布对齐自身诱导的图，而非直接模仿教师特征。其方法动机是让蒸馏目标显式保留与情绪处理相关的区域间依赖结构；图构建方式、边分布定义及具体损失尚未验证。 Masked Decision-Space Alignment（MDA）将学生 EEG 区域特征注入冻结的教师决策路径，并屏蔽特权模态，再蒸馏该路径产生的预测。作者希望借此缩小 EEG 表征与教师多模态决策空间之间的语义差距，同时保持 EEG-only 推理。摘要未提供教师与学生结构、模态屏蔽细节、训练阶段安排及损失权重。 作者报告，在 EAV 和 MDMER 的跨被试、EEG-only 推理评估中，相比不使用蒸馏的同一学生骨干，方法持续带来提升，Accuracy 最高增加 2.09 个百分点，Macro-F1 最高增加 4.46 个百分点。摘要未说明两项最大增益分别对应哪个数据集，不能将其视为同一实验设置下的联合结果。 复现需核对被试划分、EEG 区域划分与通道映射、训练阶段音视频与 EEG 的同步及可用性，以及教师训练和冻结流程。TRD、MDA 的独立贡献、与其他蒸馏目标的对照、重复实验及统计信息尚未验证。仅用 EEG 推理减少了部署时对人脸和语音内容的直接依赖，但摘要并未验证 EEG 本身的身份隐私保护能力。