脑机百科消息(bciwiki.com)，一项发表于2026年10月1日《Natural Resources for Human Health》的研究报告，将脑电信号与多语言自然语言模型融合后，情绪识别准确率达到89.7%，高于单用脑电（75%）和单用文本（79%）的模型。论文作者为Disha Sushant Wankhede。
作者指出，脑机接口采集的脑电数据对细微差异和噪声十分敏感，而多语言自然语言模型擅长推断文字中的情绪，却无法识别隐含的脑信号。为此，研究在情绪刺激期间采集脑电数据，用电磁分解连续小波变换（ECD-CT）降噪并提取特征；文本数据则经分词和嵌入生成处理。随后，动态注意力联合嵌入（DAJE）模型融合两种模态，并用稳健跨模态优化（RCMO）方法改进准确率与泛化能力。
据论文摘要，由此构成的自适应实时情绪识别系统（ARERS）F1分数为0.88，平均推理延迟为180毫秒，作者称可实现低延迟、不依赖语言的实时情绪识别。作者提出，未来可将该方法拓展到心理健康监测等场景，并扩大跨文化、跨语言的验证。摘要未说明受试者数量、所用数据集及评估方式。