EEG 情绪 Copilot：优化轻量级 LLM 以实现情感 EEG 解读及辅助医疗记录生成
计算机视觉与模式识别
2025-07-16 v3
摘要
在情感计算 (AC) 和脑机接口 (BMI) 领域，分析生理和行为信号以辨识个体情绪状态已成为一个关键的研究前沿. 尽管深度学习方法在 EEG 情绪识别中在特征提取和模式识别方面取得了显著进展，但要实现端到端的情感计算仍面临诸多挑战，包括实时处理、个体适应和无缝用户交互. 本文提出了 EEG 情绪 Copilot 系统，优化了在本地运行的 0.5B 参数的轻量级大型语言模型 (LLM)，该系统首先直接从 EEG 信号识别情绪状态，随后生成个性化的诊断和治疗建议，最后支持自动化的辅助电子医疗记录生成. 具体而言，我们演示了 novel data structure of prompt, model pruning and fine-tuning training, and deployment strategies 以提高实时性能和计算效率. 大量实验表明，我们优化的轻量级 LLM-based copilot 在用户交互的直观界面、情绪识别准确率以及辅助电子医疗记录生成方面，均优于参数规模相似的模型以及 1.5B、1.8B、3B 和 7B 的大规模模型. 总之，通过这些努力，本文的 copilot 有望推动 AC 在医疗领域的应用，为心理健康监测提供创新解决方案. 代码将发布于 https://github.com/NZWANG/EEG_Emotion_Copilot.
引用
@article{arxiv.2410.00166,
title = {EEG Emotion Copilot: Optimizing Lightweight LLMs for Emotional EEG Interpretation with Assisted Medical Record Generation},
author = {Hongyu Chen and Weiming Zeng and Chengcheng Chen and Luhui Cai and Fei Wang and Yuhu Shi and Lei Wang and Wei Zhang and Yueyang Li and Hongjie Yan and Wai Ting Siok and Nizhuan Wang},
journal= {arXiv preprint arXiv:2410.00166},
year = {2025}
}
备注
17 pages, 16 figures, 5 tables