CTD-GNet：眼动上下文调图与双向蒸馏

基于摘要分析。该研究针对 EEG–眼动情绪识别中两类信号仅作并行融合、逐窗口独立分类及眼动缺失时性能下降的问题，提出 Context-Aware Topological Distillation Graph Network（CTD-GNet）。其核心贡献是利用眼动与先前窗口调制 EEG 电极图，并通过双向蒸馏连接多模态教师与单窗口 EEG 学生。 机制上，EEG 特征构成电极图的节点，眼动和先前窗口共同调制图的边、节点及读出，其中边的调制使用电极特异性提示。教师与学生在图、节点关系及预测层面进行双向蒸馏。作者报告该过程改善教师表现，并使两图的对齐程度提升 35 倍；摘要未说明这一倍数对应的度量及计算方式，尚不能将其解释为分类性能增益。 在 SEED 和 SEED-IV 的留一被试交叉验证中，作者报告：与 17 个基线比较，CTD-GNet 的平均 Accuracy 分别为 84.91% 和 76.17%，均为最高；在 13 个使用眼动的基线中，经 Holm 校正后，分别显著优于 9 个和 6 个。作者还报告，其跨被试表现离散程度在多模态模型中最小，最差被试 Accuracy 最高，但摘要未给出相关数值和离散程度定义。 鲁棒性方面，作者报告在 SEED-IV 所评估的各个眼动缺失比例下均取得最高 Accuracy；在 SEED 完全无眼动条件下保持 66.1%，高于所比较的 EEG-only 模型。在一个标准差的眼动噪声条件下，作者报告相对所有单窗口融合模型的优势分别为 9.3 和 11.9 个百分点，但噪声注入方式及两项差值的具体对应协议仍需核对。在训练未见的电影片段评估中，作者报告其在 SEED 上以 77.1% 的 Accuracy 领先；该结果应与留一被试结果分开解读。 复现时需核对图构建、上下文长度、提示生成及蒸馏损失定义，明确眼动缺失时教师与学生的实际调用方式，并检查数据划分、缺失模拟、噪声尺度和统计检验细节。实验协议、消融及完整统计信息尚未验证；当前材料支持将其视为 EEG–眼动情绪识别方法，尚不能据此认定其具有临床监测效用。