MindLoop：基于 LLM 与可穿戴 BCI 反馈的闭环情绪调节

基于摘要分析。MindLoop 研究如何让 LLM 情绪支持从单轮回复优化转向结构化、多阶段的闭环情绪调节，提出结合对话规划、双时间尺度强化学习和可穿戴 EEG/fNIRS 情绪反馈的策略学习方法。 核心机制包括三个部分：以认知行为疗法（CBT）为指导的阶段—策略计划，将多轮对话组织为调节阶段及阶段特定干预；通过双时间尺度强化学习，平衡整体调节进展与当前阶段的干预质量；利用可穿戴 EEG/fNIRS 情绪解码，为调节决策提供生理反馈。其方法关注点是调节过程与反馈驱动的策略调整，而不只是当前轮回答质量。具体奖励定义、策略更新方式、情绪解码模型及两类信号的融合方式尚未验证。 作者报告，在模拟交互评估中，方法表现出较好的调节阶段推进、成功完成情况和情绪结果；摘要未提供这些指标的定义、数值或对照基线。作者另报告，一项包含 23 名参与者的研究提供了初步证据：在模拟环境中训练的策略能够支持结构化现实交互，并伴随有利的情绪变化和会话评分。该结果不能据此扩展为临床疗效或长期心理健康收益。 复现与证据核对的重点是：模拟交互如何构建及其与真实交互的差异，生理反馈是否相对无反馈条件带来增益，以及阶段规划和双时间尺度学习各自的贡献。还需核对情绪解码的监督标签、被试与会话划分、信号采集及反馈时延，并关注对话与动作伪迹、跨被试差异对在线决策的影响。实验协议、消融及统计信息尚未验证，代码与数据的可获得性也尚未验证。