跳到正文
arXiv · EEG 与神经表征· Minghao Kong; Jiurun Chen; Ying Gao; Xiangbin Meng; Rongjie Wang·· 7 天前AI 评分66

低成本视频—时间先验:熟悉视频条件下 EEG–fNIRS 情绪回归的强基线

Low-Cost Video--Time Priors as a Strong Baseline for EEG--fNIRS Emotion Regression on Familiar Videos

AI 导读

基于摘要分析。本文研究观看视频时逐时刻的效价与唤醒度连续回归,重点考察熟悉视频部署条件下,视频身份与视频内时间构成的低成本先验能解释多少情绪变化,以及 EEG–fNIRS 是否提供额外的残差修正。 机制上,材料提到以先验为主导的固定融合,用于检验生理信号能否补充先验预测;但先验的具体估计方式、融合公式及训练流程尚未验证。作者报告,按信息来源开展的消融显示,视频身份和视频内时间解释了大部分误差降低,EEG–fNIRS 带来的增益较小,并随被试和视频而变化。作者据此将视频—时间先验定位为强而低成本的基线,将 EEG–fNIRS 定位为熟悉视频情绪回归中的可选残差信号。 评估方面,摘要可辨认出五折被试留出评估,并提到内部与外部评估;但原文存在明显截断与拼写损坏,样本规模、MAE 差值的比较主体及完整协议无法可靠确认,因此不转述具体数值。数据集、标签获取方式、视频在训练与测试间的关系、消融细节及统计信息尚未验证。 阅读或复现时应重点核对:测试视频是否属于训练阶段已知的视频,先验如何由训练数据构建,以及生理信号的增益是否在不同被试和视频上稳定。当前结论限定于熟悉视频情境,不能直接外推为陌生视频条件下 EEG–fNIRS 的价值判断。

来源:arXiv · EEG 与神经表征 · arxiv.org