- 4 次围观
来自生理信号的被试无关情感回归仍然具有挑战性，因为情绪反应在个体之间存在显著差异，广泛使用的数据集通常只提供粗粒度的试次级标注，而且当异构生理模态被视为可相互替代的预测因子时，它们未必能够可靠地发挥作用。我们开发了 AffectRoute，这是一种受协议条件约束的被试无关情感回归方法，它以实验协议为条件，并分别为来自总体、脑电图（EEG）和外周生理信号（PPS）的信息分配独立的预测函数。首先，源总体先验仅使用源被试的数据来建立试次级情感锚点。随后，TrajBridge 将一个由 REFED 监督、用于参与者特异性调整的 EEG 表征，与从 REFED 连续标注中获得的时间结构相结合，从而构建一个弱监督的片段分辨伪轨迹，并建立一个冻结的试次级基线。接下来，PhysioRoute 通过将残余校正分解为一个源导出的方向和一个由 PPS 导出的通道特异性幅值来进一步减小剩余误差，其中前者由源组内折外残差估计得到，后者则来源于 PPS。 在 DEAP 和 DREAMER 数据集上，采用参与者层面的留一被试交叉验证方法进行评估时，AffectRoute 在平均绝对误差和一致性相关系数两项指标上均表现出一致的逐步改进。仅依赖源数据的方法明显劣于 PhysioRoute，这表明最终的性能提升不能仅归因于可迁移的源残差规律性。用于融合 PPS 的传统替代方法也被发现始终效果较差；然而，通道层面的分析以及留一通道设计表明，外周信号的贡献虽然依赖于不同维度轴，但其信息分布于多个通道之中。这些结果表明，对于被试无关情感回归而言，结构化残差推断是无约束多模态融合的一种有效替代方案。
来自生理信号的受试者无关情感回归仍然具有挑战性，因为情绪反应在个体之间存在显著差异，广泛使用的数据集通常仅提供粗粒度的试次级标注，而且当异构生理模态被当作可互换的预测因子处理时，它们未必能够可靠地发挥作用。我们开发了 AffectRoute，这是一种受协议条件约束的受试者无关情感回归方法，其以实验协议为条件，并分别为来自群体、脑电图（EEG）以及外周生理信号（PPS）的信息分配独立的预测函数。首先，源群体先验仅利用源受试者的数据建立试次级情感锚点。随后，TrajBridge 将由 REFED 监督的 EEG 表征（用于受试者特异性调整）与从 REFED 连续标注中获得的时间结构相结合，从而构建一个弱监督的片段级伪轨迹，并建立一个冻结的试次级基线。接着，PhysioRoute 通过将残余校正分解为两个部分来进一步降低剩余误差：一是源导出的方向，其由源组内折外残差估计得到；二是来自 PPS 的通道特异性幅值。当在 DEAP 和 DREAMER 数据集上采用受试者层面的留一法进行评估时，AffectRoute 在平均绝对误差和一致性相关系数两项指标上均表现出稳定的逐步改进。仅依赖源数据的方法明显劣于 PhysioRoute，这表明最终的性能提升不能仅由可迁移的源残差规律性来解释。研究还发现，融合 PPS 的传统替代方案同样始终效果较差；然而，通道级分析以及留一通道设计表明，外周信号的贡献在不同维度上具有依赖性，但这种贡献分布于多个通道之中。这些结果表明，对于受试者无关情感回归而言，结构化残差推断是无约束多模态融合的一种有效替代方案。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.24.746535v1?rss=1
🏷️ 情感计算 脑电信号 外周生理信号 被试无关回归 多模态融合 弱监督学习