PR-PL：用于 EEG 情绪识别的新型原型表征成对学习框架

基于摘要分析。本文针对情感 BCI 中 EEG 个体差异与主观反馈标签噪声影响模型有效性及泛化能力的问题，提出迁移学习框架 PR-PL，将原型表征学习与成对学习结合，旨在获得跨个体可判别的情绪特征，并提高模型对噪声标签的容忍度。 机制上，原型学习用于编码 EEG 数据内在的情绪相关语义结构，在考虑源域与目标域特征可分性的同时，将不同个体的 EEG 特征对齐到共享特征空间。在对齐后的表征上，框架引入带自适应伪标签方法的成对学习，以刻画样本间的接近关系并减轻标签噪声对建模的影响。其具体价值在于联合处理表征层面的个体差异与学习目标层面的标签不确定性；原型构建、成对关系生成、伪标签更新规则及损失形式尚未验证。 作者报告，在 SEED 和 SEED-IV 两个基准数据库、四种交叉验证评估协议下，模型表现支持其跨被试与跨会话的可靠性和稳定性。相较既有文献，四种协议上的情绪识别平均提升分别为 2.04%（SEED）和 2.58%（SEED-IV）。摘要未明确该提升对应的具体指标、相对百分比或百分点，也未列出各协议的划分与对照方法，因此不能将其直接解释为 Accuracy 的百分点增益，或用于不同协议间的比较。 复现时需核对各协议的源域与目标域划分、目标域标签可用性、原型与伪标签的更新流程，以及标签噪声的定义和验证方式。实验协议、消融及统计信息尚未验证；尤其需通过全文确认两个模块各自的贡献，以及平均增益是否在不同被试和会话条件下保持一致。