E2-LLM

E2-LLM 是一个把 EEG 脑电信号接入大语言模型进行情绪解释和推理的多模态框架。它的核心价值不是把 EEG 分类器换成 LLM，而是把“脑电片段 -> 情绪标签”推进到“脑电片段 -> 自然语言解释 -> 场景推理”。

观察

EEG 情绪识别的传统瓶颈是噪声大、个体差异大、标注贵、数据少，模型常停留在封闭集分类。E2-LLM 把问题改写为跨模态对齐和语言推理问题。
架构上，EEG encoder 先从原始脑电提取表征，projector 把 EEG embedding 映射到 LLM token embedding 空间，再由 Qwen 系列 LLM 生成情绪描述和推理解释。
三阶段训练是关键：先训练 EEG encoder 学情绪特征，再冻结 encoder 训练 projector 对齐模态，最后用 LoRA/指令微调让 LLM 生成解释。这避免了直接把噪声 EEG 丢给 LLM。
任务设计从单段情绪描述扩展到情绪对比、排序、场景匹配和零样本场景推理，说明情绪计算的评测正在从标签准确率走向语义解释和关系推理。
对情绪计算来说，E2-LLM 是“解释型情绪 AI”的 EEG 路线；对 NeuroAI 来说，它把神经信号作为 LLM 可消费的新模态。
对脑电与具身智能来说，E2-LLM 不直接证明 EEG 可以提升机器人策略，但显示脑电信号可能被组织成可语言化、可解释的人体状态线索。