PeakFlow：基於峰值引導之粗到精細建模，用於 EEG 動態情緒軌跡預測
arXiv - Human-Computer InteractionHao Tang, Songyun Xie, Xinzhou Xie, Can Liao, Xin Zhang, Bohan Li, Zhongyu Tian, Dalu Zheng
提出 PeakFlow 框架，透過粗到精細的兩階段建模，解決 EEG 情緒預測中峰值時間偏移與強度偏差的問題。
AI 幫你先抓重點
AI 重點 1
從「靜態分類」轉向「動態軌跡」預測的範式轉移
滑鼠懸停看 AI 判斷理由
傳統研究多將情緒視為靜態標籤，但情緒是隨時間演變的連續過程。理解情緒的動態軌跡（包含上升、達峰與恢復）對於精準捕捉學習者的心理狀態變化至關重要。
AI 重點 2
峰值精確度對於情緒建模的重要性
滑鼠懸停看 AI 判斷理由
情緒的「峰值」往往代表了情緒反應最強烈的時刻。若模型無法精準定位峰值時間與強度，將導致對學習者情緒波動特徵的錯誤解讀，影響後續介入時機的判斷。
核心研究發現
- 1
現有的時間回歸模型在處理 EEG 情緒預測時，常因無法捕捉峰值結構而導致預測峰值時間延後或強度偏差。
- 2
PeakFlow 透過 EEG 時間標記化與遮蔽建模學習粗略情緒流，並利用輕量級殘差精煉器進行峰值引導的邊界校準。
- 3
在 SEED-VII 資料集上的實驗證明，PeakFlow 在全球情緒軌跡擬合與峰值時間可靠性上均優於強大的動態建模基準模型。
- 4
在 FIRMED 資料集上的輔助評估顯示，該模型在稀疏且以峰值為中心的序數強度分析中也具備潛力。
對教育工作者的啟發
雖然此研究屬於底層技術開發，但對教育科技開發者具有重要啟發：在設計用於監測學生情緒狀態（如壓力、專注度或挫折感）的穿戴式設備或軟體時，不應僅關注情緒的「有無」，更應關注情緒的「動態變化過程」。開發者應考慮如何精準捕捉情緒的峰值時刻，因為這些時刻往往是學習者認知負荷最高或情緒轉折的關鍵點，對於設計即時的學習支持（Just-in-time support）或自動化教學介入具有極高的應用價值。
原始文獻資訊
- 英文標題：
- PeakFlow: Peak-Guided Coarse-to-Refined Modeling for EEG-Based Dynamic Affective Trajectory Prediction
- 作者：
- Hao Tang, Songyun Xie, Xinzhou Xie, Can Liao, Xin Zhang, Bohan Li, Zhongyu Tian, Dalu Zheng
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。