PeakFlow：用于基于 EEG 的动态情感轨迹预测的峰值引导由粗到精建模

基于摘要分析。该研究针对连续刺激下情感强度随时间变化的问题，提出 PeakFlow，从连续 EEG 观测预测情感强度曲线，而非仅进行静态情绪类别预测。其核心贡献是以由粗到精的建模方式，在学习整体变化趋势后校准峰值位置与幅度，缓解预测最大值向试次末端偏移的末端峰值偏差。 方法首先通过 EEG 时序 token 化与掩码时序建模学习粗粒度情感轨迹，再使用轻量残差细化器进行峰值引导的有界校准。细化器利用轨迹感知线索，训练目标结合全局轨迹一致性、峰值区域强调、峰值概率定位、末端抑制及残差正则化。其设计意图是在保留全局趋势的同时，修正峰值错位、峰值幅度偏差和末端伪峰；具体目标函数形式、各项权重及校准边界尚未验证。 作者报告，在 SEED-VII 的留一被试（Cross-subject）实验中，PeakFlow 相较所比较的动态建模基线改善了整体轨迹拟合与峰值相关的时间可靠性。摘要未提供具体指标、数值或基线名称，尚不能量化增益。作者还报告，FIRMED 上的辅助评估提示该方法具有用于稀疏峰值中心序数强度分析的潜力，但这不等同于已验证其在该数据上实现连续轨迹预测。 复现时需核对连续强度标签与峰值标注的构建方式、EEG 与轨迹的时间对齐、留一被试划分及模型选择流程，并检查各训练目标的消融与末端抑制对真实末端峰值的影响。作者提供了代码地址，但代码完整性及运行条件尚未验证；实验协议、消融及统计信息仍需查阅全文确认。