用于情绪识别的结合主动 EEG 样本选择的半监督二部图构建

基于摘要分析。研究针对 EEG 非平稳性与被试间差异造成的跨被试情绪识别困难，提出 semi-supervised bipartite graph construction with active EEG sample selection（SBGASS）。其核心贡献是自适应学习有标签与无标签 EEG 样本之间的二部图，并结合主动样本选择，降低异常值或噪声样本对图构建的影响。 机制方面，二部图用于表征有标签和无标签样本之间的潜在关系，建立不同被试样本之间的语义联系。主动样本选择则用于排除对图构建不利的有标签样本；这里的“负面样本”指异常值或噪声，并非分类任务中的负类。摘要未提供图优化目标、样本筛选准则、标签需求或投影矩阵的具体求解方式，尚不能据此还原算法实现。 作者报告，在 SEED-IV 的跨被试情绪识别实验中，SBGASS 主动排除负面有标签样本，有助于减轻这些样本对最优二部图构建的影响并改善模型表现。作者还报告，通过学习到的二部图量化分析有标签 EEG 样本的可迁移性，发现其随样本到对应类别质心距离的增大而呈下降趋势；此外，作者利用获得的投影矩阵研究情绪识别中的空间—频率模式。摘要未给出识别 Accuracy 的具体数值、增益幅度或对照方法，因此无法判断改进规模。 复现时需核对跨被试划分、特征与预处理、无标签样本的使用范围、样本筛选及类别质心的计算方式，并考察筛选是否会影响类别覆盖或排除有价值的被试差异样本。被试数量、实验协议、消融及统计信息尚未验证；空间—频率模式分析也不能仅凭摘要视为已验证的神经生理解释。