Low-Cost Video--Time Priors as a Strong Baseline for EEG--fNIRS Emotion Regression on Familiar Videos

{"tags": ["Affective Computing", "Emotion Regression", "EEG", "fNIRS", "Multimodal Fusion", "Baseline Evaluation"], "risks": ["Hiệu quả chủ yếu áp dụng trên các video quen thuộc (familiar videos); khả năng khái quát hóa đối với video hoàn toàn mới chưa được đảm bảo.", "Dễ bỏ qua các phản ứng cảm xúc dị biệt của từng cá nhân nếu hệ thống phụ thuộc quá mức vào phản ứng trung bình theo thời gian video.", "Độ tin cậy của tín hiệu sinh lý (EEG/fNIRS) vẫn dao động lớn giữa các đối tượng thử nghiệm."], "category": "Research", "entities": ["EEG", "fNIRS", "Valence", "Arousal"], "summary_vi": "Nghiên cứu chỉ ra rằng thông tin tiên nghiệm về video và mốc thời gian (video-time prior) là baseline chi phí thấp nhưng rất mạnh mẽ cho bài toán hồi quy cảm xúc liên tục (valence và arousal). Trong bối cảnh video quen thuộc, bản thân video và thời điểm phát chiếm phần lớn mức giảm sai số (MAE chênh lệch chỉ 0.05 đến 0.32 so với mô hình kết hợp đầy đủ), trong khi tín hiệu sinh lý học thần kinh EEG-fNIRS chỉ đóng góp phần cải thiện nhỏ và thiếu ổn định, do đó chỉ nên đóng vai trò tín hiệu hiệu chỉnh phần dư tùy chọn.", "key_changes": ["Xác lập tiên nghiệm thời gian - video (video-time prior) làm baseline chuẩn chi phí thấp cho bài toán hồi quy cảm xúc liên tục.", "Thực nghiệm 5-fold subject-held-out cho thấy baseline thời gian - video có MAE chỉ kém mô hình kết hợp sinh lý từ 0.05 (nội bộ) đến 0.32 (bên ngoài).", "Phân tích ablation chỉ ra danh tính video và mốc thời gian giải thích phần lớn mức giảm sai số, trong khi EEG-fNIRS chỉ đóng góp mức cải thiện nhỏ và biến thiên tùy người/video.", "Định vị lại vai trò của tín hiệu sinh lý EEG-fNIRS như một thành phần hiệu chỉnh phần dư (residual signal) tùy chọn thay vì yếu tố cốt lõi bắt buộc."], "sub_category": "Affective Computing", "novelty_score": 68, "business_score": 72, "research_score": 80, "why_it_matters": "Nghiên cứu thách thức quan niệm phổ biến rằng cần phải có phần cứng đo lường sinh lý học thần kinh phức tạp và đắt tiền (EEG-fNIRS) mới dự đoán được cảm xúc người xem video. Việc chứng minh một prior thời gian - video đơn giản có thể đạt hiệu năng tiệm cận giúp doanh nghiệp và nhà phát triển tiết kiệm đáng kể chi phí thu thập dữ liệu, đồng thời đặt ra chuẩn mực benchmark khắt khe hơn cho các nghiên cứu BCI và AI cảm xúc trong tương lai.", "developer_score": 55, "importance_score": 65, "possible_use_cases": ["Đo lường phản ứng cảm xúc của khán giả đối với video quảng cáo hoặc nội dung truyền thông bằng metadata thời lượng mà không cần thiết bị đeo đắt tiền.", "Thiết lập baseline chi phí thấp trong các nghiên cứu trải nghiệm người dùng (UX) và đánh giá phản hồi nội dung nghe nhìn.", "Tối ưu hóa kiến trúc AI nhận diện cảm xúc theo dạng hai tầng: dùng video-time prior làm khung cơ sở và chỉ kích hoạt cảm biến sinh học khi cần tinh chỉnh chi tiết."], "actionability_score": 60}