用于面部与 EEG 情绪识别的标签与特征协同学习

基于摘要分析。本文研究面部与 EEG 多模态情绪识别中，统一标注标签与瞬时情绪变化之间的语义错配，以及不同信号中情绪诱发时刻不一致的问题，提出标签与特征协同学习模型 LFCL，通过自适应标签生成、动态标签校准和多模态交互融合，缓解情绪歧义并学习更具判别性的特征。 机制上，LFCL 利用单模态与多模态信息生成实例级情绪标签，试图使标签与各信号中的情绪诱发片段更精确地对应；动态标签校准机制引入历史信息，调节标签生成过程，以促进不同信号间的情绪一致性；多模态交互融合则整合多层级特征，提取全局情绪信息。相较于摘要所述直接以统一标注标签指导特征学习的既有路线，其主要区别是将标签生成与特征学习共同纳入建模，而非仅将原始标签视为固定监督。 作者报告，在三个公开数据集上的广泛实验支持该方法的有效性与泛化能力，但摘要未给出数据集名称、情绪类别、被试数量、划分协议、对照方法或具体指标，因此尚不能判断其泛化结论对应跨被试、跨会话还是其他评估设置。实例的具体定义、标签生成与历史校准的实现、损失函数、时间定位的验证依据，以及实验协议、消融及统计信息尚未验证。该研究直接面向 EEG 相关情绪识别，但现有材料不足以进一步判断其在线 BCI 适用性。