超越对欠代表情绪的模仿：用于 EEG 情绪识别的情绪子空间约束深度数据增广

基于摘要分析。研究针对 EEG 情绪识别中数据有限、情绪类别不平衡的问题，提出 Emotional Subspace Constrained Generative Adversarial Networks（ESC-GAN），以从样本充足的情绪子空间向欠代表情绪子空间编辑参考 EEG 信号的方式，替代仅模仿少数类观测分布的增广思路。 核心机制是 EEG 编辑范式与两类子空间约束。diversity-aware loss 通过增大样本差异鼓励增广情绪子空间的多样性；boundary-aware loss 将增广子空间约束在识别模型可能脆弱的决策边界附近。相较摘要描述的常规 GAN 分布模仿方法，其区别在于利用样本充足类别的参考信号进行编辑，并显式关注增广样本的多样性与边界位置。情绪子空间的具体表示、编辑操作、损失公式及权重尚未验证。 作者报告，在 DEAP、AMIGOS 和 SEED 基准数据集上的实验中，ESC-GAN 提升了情绪识别性能，并提供了针对潜在对抗攻击的防护。摘要未给出具体指标、数值、类别不平衡构造、对照基线或攻击设置，也未说明采用被试内、跨被试还是跨会话协议，因此尚不能量化增益或判断结论的适用范围。 复现时需核对数据划分、预处理、参考信号与目标情绪的配对方式，以及增广数据进入训练流程的位置；还需核对两类约束的独立贡献、合成信号的情绪标签可靠性和对抗评估条件。实验协议、消融及统计信息尚未验证。该工作直接研究 EEG 情绪识别，但摘要中的性能和安全性结论不能扩展为其他 BCI 任务或在线应用的已验证效果。