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 多模态情绪识别中的标签—时序信号语义错位：情绪可能短暂出现，统一标注却难以反映各信号中具体的情绪诱发时刻，且不同模态的诱发时刻可能不一致。作者提出标签与特征协同学习模型 LFCL，通过自适应生成实例级情绪标签、动态标签校准及多模态交互融合，旨在缓解情绪歧义并学习更具判别性的特征。 机制方面，LFCL 利用单模态与多模态信息生成实例级标签，以实现更精细的标签—特征对齐；动态标签校准结合历史信息平衡标签生成过程，促进不同信号间的情绪一致性；多模态交互融合整合多层级特征，提取全局情绪信息。相较于仅由固定标注指导特征学习的思路，核心区别是让标签生成与特征学习共同参与建模。不过，摘要未说明实例的时间粒度、历史信息的定义、标签校准规则、损失形式及训练与推理流程，这些细节尚未验证。 作者报告在三个公开数据集上的实验支持模型的有效性与泛化能力，但摘要未提供数据集名称、被试数、被试内或跨被试等划分协议、对照基线及具体指标，因此无法量化收益或判断泛化结论的适用范围。作者还将实例级标签生成解释为精确定位情绪诱发时刻；这一解释是否有时间定位标注或独立评估支持，需要核对全文，不能仅由分类性能提升推定。 复现时应重点核对实例级标签如何与原始标注关联、历史信息如何更新、多模态时间对齐方式，以及标签校准和交互融合各自的贡献。实验协议、消融及统计信息尚未验证。该工作的直接对象是多模态情绪识别，摘要未提供在线 BCI 控制或实际应用验证。