Frontiers于2026年10月21日发表的一项研究，探索了将脑电、眼动、皮肤电和心电等多模态生理信号，用于预测用户对汽车座舱设计的产品感受。研究提出生成增强多模态自适应融合模型（GAMAF），试图缓解小样本、跨参与者差异以及不同信号难以对齐等问题。研究原文
研究方法与主要结果
研究围绕汽车座舱观看任务展开，纳入50名参与者和3种共享座舱刺激，最终保留150条试验记录。模型结合生成式特征增强、跨模态注意力、图交互和自适应门控，让不同生理信号在融合时保留一定的模态差异，而不是简单拼接。论文报告称，完整模型的平均决定系数R²为0.833；移除生成增强、跨模态注意力和图交互后，R²分别降至0.700、0.760和0.733；将自适应权重改为等权重时降至0.637。这些结果支持“不同模块共同作用”的判断，但不等于证明每个模块在所有产品评价场景中都同样有效。
小样本增强并非越多越好
论文还测试了合成特征的增强比例。在50%至200%的增强范围内，合成数据与真实数据的分布差异下降，辅助预测指标上升；当增强比例提高到300%和400%时，分布差异扩大、辅助性能回落。这个结果提示，生成式增强更像是一种有条件的训练分布扩充方法，过度合成可能放大模型假设，而不能替代真实参与者和真实设计样本。
研究边界需要特别注意
论文明确指出，实验只覆盖3种座舱设计，参与者留出验证主要估计模型对新参与者的预测能力，不能直接说明它能迁移到未见过的汽车设计。研究也没有证明实时神经反馈、闭环生成设计或实际产品迭代效果。注意力系数和门控权重可以反映模型如何计算，但不能直接解释为生理因果关系或某种情绪的唯一生物标志。此外，研究报告的基线波动、重复随机种子影响和部分置信区间仍不充分，独立重复实验仍是判断稳定性的关键。
值得关注的意义
这项工作体现了多模态研究从“把信号放在一起”转向“根据任务动态分配模态作用”的趋势，也显示生成数据、注意力和门控机制在小样本应用中的潜力。不过，其当前证据更适合被理解为特定汽车座舱评价任务中的方法验证，尚不足以外推为普遍适用的消费者情感测量方案。后续应重点观察更大规模参与者、更丰富的设计样本、设计留出测试，以及真实产品决策中的前瞻性验证。
事件及资料日期：事件发生日期为2026年10月21日，即来源页面标注的在线发表日期；报道发布日期与论文发表日期相同。网页加载结果未返回结构化发布日期，日期以来源页面显示信息为准。
资料来源：Frontiers原始论文《Generative-augmented multimodal neuroaffective decoding for product evaluation: toward neurofeedback-driven human-in-the-loop co-design》，发布日期：2026-10-21。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
