EXIST：用于 EEG 情绪识别的显式引导时空监督

基于摘要分析。该研究面向临床访谈等主动情绪表达场景中的 EEG 情绪识别，提出 EXIST：训练时利用音频、视频等显式模态指导 EEG 学习，推理时仅使用 EEG，旨在应对 EEG 信噪比低和被试间差异大的问题。临床访谈是研究动机场景，摘要未提供临床验证证据；推理阶段无需视听输入，也不意味着训练阶段无需采集这些数据。 核心机制是“显式到隐式监督”。作者认为，直接对齐视听与 EEG 的特征或输出会因模态空间不兼容而产生负迁移，并忽略 EEG 的时空结构。EXIST 将视听信号作为 EEG 表征空间内的结构监督，使迁移作用于 EEG 内部推理，而不是要求 EEG 直接模仿其他模态。 方法包含两个组件：Cortical Dependency Distillation（CDD）将从视听上下文推断的情绪相关皮层依赖先验用于 EEG 空间推理；Emotional Dynamics Distillation（EDD）侧重学习情绪显著的时间动态。摘要未说明皮层依赖先验如何构建、时序监督如何提取，以及具体损失、网络结构和训练流程，这些实现细节尚未验证。 作者报告，在 EAV 和 PME4 上采用被试独立协议，EXIST 的仅 EEG 情绪识别达到最先进水平，并优于既有仅 EEG 方法和跨模态蒸馏方法。摘要未给出具体指标、分数、被试规模或划分细节，因此尚不能量化优势，也不能直接与其他协议的结果比较。实验协议、消融及统计信息尚未验证。 复现时应核对训练阶段视听与 EEG 的配对及同步方式、被试独立划分、对照方法的输入与监督条件，并检查 CDD、EDD 各自贡献及负迁移缓解证据。其阅读价值在于提供了一条利用多模态训练信息、同时保持仅 EEG 推理的结构化监督路径；隐私保障程度及对不同场景、被试和采集条件的泛化仍需进一步验证。