面向深度情感模型的扫描路径聚类主动反馈框架

基于摘要分析。该研究关注 EEG 情绪识别实验中被试注意状态对情绪诱发程度及数据标注质量的影响，提出利用眼动扫描路径聚类筛除低注意状态下的低质量 EEG 数据，再用于训练 CNN 和 LSTM 深度情感模型。 方法以“观看相同片段且保持注意的被试具有相似扫描路径”为出发点，采用基于余弦距离的时空扫描路径分析，对眼动轨迹进行聚类，并据此辅助 EEG 数据筛选。作者还设计了注意分散双任务实验：以听觉持续操作测验同一配对版本（CPT-IP）为主任务，以情绪诱发为次任务，用于研究注意状态与情绪识别数据质量的关系。这里的核心机制是通过眼动提供外部质量线索，而非仅依赖 EEG 分类模型本身判断训练数据质量。 作者报告，相对于未经筛选的原始训练数据，使用筛选后注意状态较好的 EEG 数据进行情绪识别，平均 Accuracy 提高约 3%；摘要未明确该表述指相对百分比还是百分点。作者还报告，离群扫描路径与聚类中心的距离越大，对应 EEG 数据的识别表现呈下降趋势。该趋势提示扫描路径差异可能具有数据质量指示价值，但不能据此认定其直接测量了情绪标注正确性。 摘要未提供数据集名称、被试数量、情绪类别、被试内或跨被试划分、筛选阈值及 CNN/LSTM 的具体配置。复现时需核对眼动与 EEG 的同步方式、聚类及筛选所用数据范围，以及筛选后样本量和类别分布变化的影响；实验协议、消融及统计信息尚未验证。该框架依赖额外眼动采集及同一刺激片段下的扫描路径可比性，其对不同刺激材料和注意模式的适用性仍需验证。