E²-LLM：连接神经信号与可解释情感分析

基于摘要分析。本文针对 EEG 情绪识别中的跨被试差异、标注数据有限及推理可解释性不足，提出 E²-LLM（EEG-to-Emotion Large Language Model），将预训练 EEG 编码器与基于 Qwen 的大语言模型连接，用于情绪预测与情感推理。作者将其定位为首个面向 EEG 可解释情感分析的多模态大语言模型框架，但这一首创性声明尚未检索确认。 方法上，E²-LLM 通过可学习投影层连接 EEG 编码器与语言模型，训练分为情绪判别预训练、跨模态对齐以及包含思维链推理的指令微调。摘要未说明 EEG 时空信息如何编码、投影层结构、各阶段损失、参数更新范围，以及推理指令与解释监督的来源；这些细节决定模型如何利用神经信号，而不只是依赖语言先验，需结合全文核对。 评估覆盖基础情绪预测、多任务推理和零样本场景理解。作者报告，在涵盖七类情绪的数据集实验中，模型取得较好的情绪分类表现，较大规模变体具有更高可靠性，并在复杂推理场景中表现出更好的零样本泛化。摘要未提供数据集名称、被试数、数据划分、被试内或跨被试协议、对照基线及具体指标，因此无法量化提升，也不能据此确认跨被试泛化问题已得到解决。 阅读时应区分生成可读推理文本与解释忠实于 EEG 证据：思维链输出本身不足以验证后者。需核对解释评价标准、零样本场景定义及其与训练数据的关系，以及不同模型规模比较的训练条件。实验协议、消融及统计信息尚未验证；代码、权重、数据与指令构造流程的可获得性亦尚未验证。该研究直接面向 EEG 情绪分析，但摘要未提供在线 BCI 使用或闭环验证证据。