基于多模态可穿戴设备的唤醒度—效价维度嗅觉诱发情绪识别

基于摘要分析。研究针对嗅觉情绪研究偏重效价、对唤醒度及中枢与外周生理响应的同步采集关注不足的问题，构建包含 111 名被试的多模态数据集，并提出时空频率混合融合网络 STF-HFNet，用于唤醒度—效价维度的情绪识别。其主要研究对象是嗅觉诱发情绪的生理信号识别，而非已验证的在线 BCI 控制。 数据方面，作者在二维唤醒度—效价空间标注气味，并同步记录 EEG、ECG 和 PPG。摘要未说明气味种类、刺激与标注流程、各维度分类方式、类别分布或数据开放条件，这些信息尚未验证。 方法围绕多模态信号的非平稳性、响应时延差异和模态异质性设计三个模块：Frequency aggregation processing 学习自适应频率聚合，以建模非平稳动态；Reciprocal guided attention 通过双向相互校准，在不依赖同步先验的条件下实现跨模态时间对齐；Hybrid collaborative fusion 结合空间注意力与通道注意力，增强模态互补并抑制冗余信息。具体网络结构、损失函数、训练流程及各模块的独立贡献尚未验证。 作者报告，在 AMIGOS 和自建数据集上，识别 Accuracy 分别为 88.34% 和 92.40%，并称相较 SOTA 方法分别提升 8.27% 和 5.07%。摘要未交代这些结果对应的任务定义、被试内或跨被试协议、数据划分与基线配置，也未明确提升幅度是相对百分比还是百分点，因此不能据此确认跨被试泛化能力或直接比较不同数据集结果。 复现时需重点核对信号预处理与时间窗、模态采样和对齐方式、标签构造、被试划分、基线实现，以及消融和统计不确定性。上述实验协议、消融及统计信息尚未验证。