建模共享与个体结构以实现基于 EEG-fNIRS 的跨被试连续情感回归

基于摘要分析。研究针对 EEG-fNIRS 的逐秒效价与唤醒度估计，将常见的被试内预测扩展为零样本跨被试回归：训练被试与测试被试互不重叠，模型不接触测试被试标签，但可获得其观看相同视频刺激时的无标签记录。核心贡献是把情感轨迹分解为同刺激下的跨被试共享结构，以及通过无标签 EEG 标记估计的个体结构。 方法以 alpha 频段跨通道同步性作为个体标记，围绕原始评分范围 [1, 255] 的中点，对共享轨迹进行个体化缩放。该设计显式利用训练与测试被试观看相同刺激的条件，因此不能据此推断对未见视频刺激的泛化能力。共享轨迹的具体估计方式、EEG-fNIRS 各模态的贡献及完整训练与推理流程尚未验证。 作者报告，从四个角度验证个体校准机制：采用留一被试法考察标记与各被试真实最优增益的相关性；与非线性替代函数比较；开展重复留四被试组件消融；通过上限分析估计个体缩放仍有多少提升空间。摘要未提供这些分析的具体数值、统计不确定性或样本规模。 在两个评估批次的留出被试上，作者报告总体 MAE 分别为 25.96 和 22.80；效价 MAE 分别为 21.94 和 19.6，唤醒度 MAE 分别为 29.98 和 26.0，均对应 [1, 255] 原始量表。作者将其与同一被试独立划分下报告的 EEGNet、ASAC-Net 基线分数 60.6、55.0 比较，并报告更低误差；基线分数的指标口径、聚合方式及批次对应关系仍需全文核对。 作者还报告，针对模型架构、特征表示与预测目标进行了系统性负结果搜索，未找到能进一步优于单一 alpha 同步性标记的信号；这一结论限于其搜索范围。复现时需核对数据集与被试规模、时间同步、预处理、共享轨迹构建、增益估计和基线实现。实验协议细节、消融结果及统计信息尚未验证。