Fear-EEG-AI：用于设计推断恐惧相容神经生理状态的 EEG-AI 系统的概念与操作框架

基于摘要分析。本文针对 EEG 恐惧相关推断中受控实验表现与可部署证据之间的差距，提出技术独立的 Fear-EEG-AIFramework，用于组织系统设计、验证与部署。其主要贡献是将神经生物学依据、EEG 相关表征与计算建模纳入可评估的框架，而非提出新的情感分类模型。 论文强调，EEG 不直接测量恐惧，而是记录与威胁加工、唤醒或警觉相容的皮层动态；因此，受控数据集上的高 Accuracy 不能保证神经生物学特异性、跨用户稳健性或推断可追溯性。框架基于此前的系统综述，设置神经生物学基础、神经电相关特征和计算建模三个层级，以六项贯穿原则统筹，并通过八个可观察维度、Fear-EEG-AI Alignment Index（FAI）及五个验证证据等级进行操作化。摘要未列出各原则、维度和证据等级的具体定义。 作者报告，两名未参与该量表起草的评分者将其应用于既有综述语料中的八项合格研究，并由第三名评分者裁决，得到完全一致率 67.2%、二次加权 κ=0.741、ICC(2,1)=0.744。这些结果描述的是量表应用的一致性，不是 EEG 恐惧识别的分类性能。 作者报告，在 10,000 组允许的权重设置下，等权排序仅在 10.1% 的抽样中保持不变；56 个有序研究对中，仅一个满足在成对结果制表前确定的稳定性标准。因此，作者将 FAI 定位为方法学文档完备情况的描述指标，而非实现方案的排名依据。其可核对价值在于区分“识别表现”与“推断证据”，但不能据此认定框架已经改善跨被试泛化或部署可靠性。具体评分条目、研究纳入标准、权重约束及统计细节尚未验证。